推薦系統

china-pub發表於2013-06-08
《推薦系統》
基本資訊
原書名：Recommender systems:An introduction
作者： (奧地利) Dietmar Jannach    Markus Zanker    Alexander Felfernig    Gerhard Friedrich   
譯者： 蔣凡
叢書名： 圖靈程式設計叢書
出版社：人民郵電出版社
ISBN：9787115310699
上架時間：2013-6-7
出版日期：2013 年6月
開本：16開
頁碼：244
版次：1-1
所屬分類：計算機
推薦系統
更多關於 》》》《》
內容簡介
    計算機書籍
　　《推薦系統》全面闡述了開發最先進推薦系統的方法，其中呈現了許多經典演算法，並討論瞭如何衡量推薦系統的有效性。書中內容分為基本概念和最新進展兩部分：前者涉及協同推薦、基於內容的推薦、基於知識的推薦、混合推薦方法，推薦系統的解釋、評估推薦系統和例項分析；後者包括針對推薦系統的攻擊、線上消費決策、推薦系統和下一代網際網路以及普適環境中的推薦。此外，本書還包含大量的圖、表和示例，有助於讀者理解和把握相關知識。
　　 《推薦系統》適用於從事搜尋引擎、推薦演算法、資料探勘等研發工作的專業人員以及對推薦系統感興趣的讀者。
目錄
《推薦系統》 
第1章　引言　　1 
1.1 第一部分：基本概念　　2 
1.1.1 協同過濾推薦　　2 
1.1.2 基於內容的推薦　　2 
1.1.3 基於知識的推薦　　3 
1.1.4 混合推薦方法　　4 
1.1.5 推薦系統的解釋　　4 
1.1.6 評估推薦系統　　4 
1.1.7 案例研究　　5 
1.2 第二部分：最新進展　　5 
第一部分　基本概念 
第2章　協同過濾推薦　　8 
2.1 基於使用者的最近鄰推薦　　8 
2.1.1 第一個例子　　8 
2.1.2 更好的相似度和賦權體系　　10 
2.1.3 選擇近鄰　　11 
2.2 基於物品的最近鄰推薦　　11 
2.2.1 餘弦相似度度量　　12 
2.2.2 基於物品過濾的資料預處理　　13 
.2.3 關於評分　　14 
2.3.1 隱式和顯式評分　　14 
2.3.2 資料稀疏和冷啟動問題　　15 
2.4 更多基於模型和預處理的方法　　16 
2.4.1 矩陣因子分解　　17 
2.4.2 關聯規則挖掘　　20 
2.4.3 基於機率分析的推薦方法　　22 
2.5 近來實際的方法和系統　　25 
2.5.1 slope one預測器　　26 
2.5.2 google新聞個性化推薦引擎　　28 
2.6 討論和小結　　30 
2.7 書目註釋　　31 
第3章　基於內容的推薦　　32 
3.1 內容表示和相似度　　33 
3.1.1 向量空間模型和tf-idf　　34 
3.1.2 向量空間模型的改進及侷限　　35 
3.2 基於內容相似度檢索　　36 
3.2.1 最近鄰　　36 
3.2.2 相關性反饋——rocchio方法　　37 
3.3 其他文字分類方法　　40 
3.3.1 基於機率模型的方法　　40 
3.3.2 其他線性分類器和機器學習　　43 
3.3.3 顯式決策模型　　44 
3.3.4 特徵選擇　　45 
3.4 討論　　47 
3.4.1 對比評估　　47 
3.4.2 侷限　　47 
3.5 小結　　48 
3.6 書目註釋　　49 
第4章　基於知識的推薦　　51 
4.1 介紹　　51 
4.2 知識表示法和推理　　52 
4.2.1 約束　　52 
4.2.2 例項與相似度　　54 
4.3 與基於約束推薦系統互動　　55 
4.3.1 預設設定　　55 
4.3.2 處理不滿意的需求和空結果集　　57 
4.3.3 提出對未滿足需求的修改建議　　61 
4.3.4 對基於物品/效用推薦結果的排序　　61 
4.4 與基於例項的推薦系統互動　　64 
4.4.1 評價　　65 
4.4.2 混合評價　　67 
4.4.3 動態評價　　67 
4.4.4 高階的物品推薦方法　　70 
4.4.5 評價多樣性　　71 
4.5 應用例項　　72 
4.5.1 vita——基於約束的推薦系統　　72 
4.5.2 entree——基於例項的推薦系統　　77 
4.6 書目註釋　　79 
第5章　混合推薦方法　　80 
5.1 混合推薦的時機　　81 
5.1.1 推薦理論框架　　81 
5.1.2 混合設計　　82 
5.2 整體式混合設計　　83 
5.2.1 特徵組合的混合方案　　84 
5.2.2 特徵補充的混合方案　　85 
5.3 並行式混合設計　　87 
5.3.1 交叉式混合　　87 
5.3.2 加權式混合　　88 
5.3.3 切換式混合　　89 
5.4 流水線混合設計　　90 
5.4.1 串聯混合　　90 
5.4.2 分級混合　　91 
5.5 討論和小結　　92 
5.6 書目註釋　　92 
第6章　推薦系統的解釋　　94 
6.1 介紹　　94 
6.2 基於約束的推薦系統中的解釋　　96 
6.2.1 例項　　97 
6.2.2 透過推導生成解釋　　99 
6.2.3 可靠解釋的分析與概述　　100 
6.2.4 可靠解釋　　102 
6.3 基於例項推薦系統的解釋　　103 
6.4 協同過濾推薦系統的解釋　　106 
6.5 小結　　108 
第7章　評估推薦系統　　109 
7.1 介紹　　109 
7.2 評估研究的一般特性　　110 
7.2.1 總論　　110 
7.2.2 評估方案的實驗物件　　111 
7.2.3 研究方法　　113 
7.2.4 評估環境　　115 
7.3 主流推薦方案　　115 
7.4 歷史資料集評估　　116 
7.4.1 方法論　　116 
7.4.2 衡量標準　　117 
7.4.3 結果的分析　　121 
7.5 其他評估方案　　121 
7.5.1 實驗性研究方案　　122 
7.5.2 準實驗研究方案　　122 
7.5.3 非實驗研究方案　　123 
7.6 小結　　123 
7.7 書目註釋　　124 
第8章　案例分析：移動網際網路個性化遊戲推薦　　125 
8.1 應用與個性化概述　　126 
8.2 演算法和評級　　128 
8.3 評估　　128 
8.3.1 測量1：我的推薦　　129 
8.3.2 測量2：售後推薦　　131 
8.3.3 測量3：起始頁推薦　　133 
8.3.4 測量4：演示版下載的整體效果　　135 
8.3.5 測量5：整體效果　　136 
8.4 小結與結論　　138 
第二部分　最新進展 
第9章　針對協同推薦系統的攻擊　　140 
9.1 第一個例子　　141 
9.2 攻擊維度　　141 
9.3 攻擊型別　　142 
9.3.1 隨機攻擊　　142 
9.3.2 均值攻擊　　143 
9.3.3 造勢攻擊　　143 
9.3.4 區域性攻擊　　143 
9.3.5 針對性的打壓攻擊　　144 
9.3.6 點選流攻擊和隱式反饋　　144 
9.4 效果評估和對策　　145 
9.4.1 推舉攻擊　　145 
9.4.2 打壓攻擊　　146 
9.5 對策　　146 
9.6 隱私方面——分散式協同過濾　　148 
9.6.1 集中方法：資料擾動　　149 
9.6.2 分散式協同過濾　　150 
9.7 討論　　153 
第10章　線上消費決策　　155 
10.1 介紹　　155 
10.2 環境效應　　156 
10.3 首位/新近效應　　159 
10.4 其他效應　　160 
10.5 個人和社會心理學　　161 
10.6 書目註釋　　167 
第11章　推薦系統和下一代網際網路　　168 
11.1 基於信任網路的推薦系統　　169 
11.1.1 利用顯式的信任網路　　169 
11.1.2 信任度度量方法和效果　　171 
11.1.3 相關方法和近期進展　　172 
11.2 大眾分類法及其他　　174 
11.2.1 基於大眾分類法的推薦　　174 
11.2.2 推薦標籤　　181 
11.2.3 在分享媒體中推薦內容　　183 
11.3 本體過濾　　185 
11.3.1 透過分類改進過濾　　185 
11.3.2 透過屬性改進過濾　　188 
11.4 從網路抽取語義　　189 
11.5 小結　　191 
第12章　普適環境中的推薦　　192 
12.1 介紹　　192 
12.2 上下文感知推薦　　193 
12.3 應用領域　　195 
12.4 小結　　197 
第13章　總結和展望　　198 
13.1 總結　　198 
13.2 展望　　198 
參考文獻　　201 
索引　　223
本資訊來源：

​

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/16566727/viewspace-763548/，如需轉載，請註明出處，否則將追究法律責任。

相關文章