推荐系统 word 网盘 高速 下载地址大全 免费

暂无相关简介，正在全力查找中！

推荐序一 推荐序二 译者序 前言 第1章 概述 1 1.1 简介 1 1.2 推荐系统的功能 3 1.3 数据和知识资源 5 1.4 推荐技术 7 1.5 应用与评价 10 1.6 推荐系统与人机交互 12 1.6.1 信任、解释和说服力 13 1.6.2 会话系统 13 1.6.3 可视化 14 1.7 推荐系统是个交叉学科领域 15 1.8 出现的问题和挑战 16 1.8.1 本书对出现的问题的讨论 16 1.8.2 挑战 18 参考文献 20 第一部分 基础技术 第2章 推荐系统中的数据挖掘方法 28 2.1 简介 28 2.2 数据预处理 29 2.2.1 相似度度量方法 29 2.2.2 抽样 30 2.2.3 降维 31 2.2.4 去噪 33 2.3 分类 34 2.3.1 最近邻 34 2.3.2 决策树 35 2.3.3 基于规则的分类 36 2.3.4 贝叶斯分类器 36 2.3.5 人工神经网络 38 2.3.6 支持向量机 39 2.3.7 分类器的集成 40 2.3.8 评估分类器 41 2.4 聚类分析 42 2.4.1 k-means 43 2.4.2 改进的k-means 44 2.5 关联规则挖掘 44 2.6 总结 46 致谢 47 参考文献 47 第3章 基于内容的推荐系统：前沿和趋势 51 3.1 简介 51 3.2 基于内容的推荐系统的基础 52 3.2.1 基于内容的推荐系统的高层次结构 52 3.2.2 基于内容过滤的优缺点 54 3.3 基于内容的推荐系统的现状 55 3.3.1 物品表示 56 3.3.2 学习用户特征的方法 62 3.4 趋势和未来研究 65 3.4.1 推荐过程中用户产生内容的作用 65 3.4.2 超越特化：惊喜度 66 3.5 总结 68 参考文献 68 第4章 基于近邻推荐方法综述 74 4.1 简介 74 4.1.1 问题公式化定义 75 4.1.2 推荐方法概要 76 4.1.3 基于近邻方法的优势 77 4.1.4 目标和概要 78 4.2 基于近邻推荐 78 4.2.1 基于用户评分 79 4.2.2 基于用户分类 80 4.2.3 回归与分类 80 4.2.4 基于物品推荐 81 4.2.5 基于用户和基于物品推荐的对比 81 4.3 近邻方法的要素 83 4.3.1 评分标准化 83 4.3.2 相似度权重计算 85 4.3.3 近邻的选择 89 4.4 高级进阶技术 90 4.4.1 降维方法 90 4.4.2 基于图方法 92 4.5 总结 95 参考文献 96 第5章 协同过滤算法的高级课题100 5. 1 简介 100 5.2 预备知识 101 5.2.1 基准预测 102 5.2.2 Netflix数据 103 5.2.3 隐式反馈 103 5.3 因子分解模型 104 5.3.1 SVD 104 5.3.2 SVD++ 105 5.3.3 时间敏感的因子模型 106 5.3.4 比较 111 5.3.5 总结 112 5.4 基于邻域的模型 112 5.4.1 相似度度量 113 5.4.2 基于相似度的插值 113 5.4.3 联合派生插值权重 115 5.4.4 总结 117 5.5 增强的基于邻域的模型 117 5.5.1 全局化的邻域模型 118 5.5.2 因式分解的邻域模型 122 5.5.3 基于邻域的模型的动态时序 126 5.5.4 总结 127 5.6 基于邻域的模型和因子分解模型的比较 127 参考文献 129 第6章 开发基于约束的推荐系统 131 6.1 简介 131 6.2 推荐知识库的开发 133 6.3 推荐过程中的用户导向 137 6.4 计算推荐结果 142 6.5 项目和案例研究的经验 143 6.6 未来的研究方法 144 6.7 总结 147 参考文献 147 第7章 情境感知推荐系统 151 7.1 简介 151 7.2 推荐系统中的情境 152 7.2.1 什么是情境 152 7.2.2 在推荐系统实现情境信息的建模 155 7.2.3 获取情境信息 158 7.3 结合情境的推荐系统形式 159 7.3.1 情境预过滤 161 7.3.2 情境后过滤 163 7.3.3 情境建模 164 7.4 多种方法结合 167 7.4.1 组合预过滤器案例研究：算法 168 7.4.2 组合预过滤器案例研究：实验结果 168 7.5 情境感知推荐系统的其他问题 170 7.6 总结 171 致谢 171 参考文献 172 第二部分 推荐系统的应用与评估 第8章 推荐系统评估 176 8.1 简介 176 8.2 实验设置 177 8.2.1 离线实验 178 8.2.2 用户调查 180 8.2.3 在线评估 182 8.2.4 得出可靠结论 182 8.3 推荐系统属性 185 8.3.1 用户偏好 185 8.3.2 预测准确度 186 8.3.3 覆盖率 191 8.3.4 置信度 192 8.3.5 信任度 193 8.3.6 新颖度 194 8.3.7 惊喜度 195 8.3.8 多样性 195 8.3.9 效用 196 8.3.10 风险 197 8.3.11 健壮性 197 8.3.12 隐私 198 8.3.13 适应性 198 8.3.14 可扩展性 199 8.4 总结 199 参考文献 199 第9章 IPTV服务提供商推荐系统：一个大规模真实产品环境的应用203 9.1 简介 203 9.2 IPTV架构 204 9.3 推荐系统架构 206 9.3.1 数据搜集 206 9.3.2 批处理和实时阶段 207 9.4 推荐算法 208 9.4.1 推荐算法概述 209 9.4.2 基于内容隐语义分析算法 210 9.4.3 基于物品的协同过滤算法 213 9.4.4 基于降维的协同过滤算法 214 9.5 推荐服务 215 9.6 系统评价 216 9.6.1 离线分析 218 9.6.2 在线分析 220 9.7 总结 223 参考文献 223 第10章 走出实验室的推荐系统 225 10.1 简介 225 10.2 设计现实环境中的推荐系统 225 10.3 理解推荐系统的环境 226 10.3.1 应用模型 226 10.3.2 用户建模 230 10.3.3 数据模型 233 10.3.4 一个使用环境模型的方法 235 10.4 在迭代设计过程中理解推荐验证步骤 236 10.4.1 算法的验证 236 10.4.2 推荐结果的验证 237 10.5 应用实例：一个语义新闻推荐系统 240 10.5.1 背景：MESH工程 240 10.5.2 MESH的环境模型 240 10.5.3 实践：模型的迭代实例化 243 10.6 总结 244 参考文献 244 第11章 匹配推荐系统的技术与领域 247 11.1 简介 247 11.2 相关工作 247 11.3 知识源 248 11.4 领域 250 11.4.1 异构性 250 11.4.2 风险性 251 11.4.3 变动性 251 11.4.4 交互风格 251 11.4.5 偏好稳定性 251 11.4.6 可理解性 252 11.5 知识源 252 11.5.1 社群知识 252 11.5.2 个人知识 253 11.5.3 基于内容的知识 253 11.6 从领域到技术 254 11.6.1 算法 255 11.6.2 抽样推荐领域 256 11.7 总结 257 致谢 257 参考文献 257 第12章 用于技术强化学习的推荐系统 261 12.1 简介 261 12.2 背景 262 12.2.1 TEL作为上下文 262 12.2.2 TEL推荐的目标 263 12.3 相关工作 264 12.3.1 自适应教育超媒体 264 12.3.2 学习网络 265 12.3.3 相同点与不同点 267 12.4 TEL推荐系统调查 268 12.5 TEL推荐系统的评估 271 12.5.1 对组件的评估 272 12.5.2 评估TEL推荐系统时需要考虑的问题 273 12.6 总结与展望 274 致谢 274 参考文献 275 第三部分 推荐系统的影响 第13章 基于评价推荐系统的进展 282 13.1 简介 282 13.2 早期：评价系统/已得益处 282 13.3 评价系统的表述与检索挑战 283 13.3.1 评价表述的方式 283 13.3.2 基于评价的推荐系统中的检索挑战 289 13.4 评价平台中的交互研究 293 13.4.1 扩展到其他评价平台 294 13.4.2 用户直接操作与限制用户控制的比较 295 13.4.3 支持性解释、置信和信任 296 13.4.4 可视化、自适应性和分区动态性 297 13.4.5 关于多文化的适用性的差异 298 13.5 评价的评估：资源、方法和标准 298 13.5.1 资源和方法 298 13.5.2 评估标准 299 13.6 总结与展望 300 参考文献 301 第14章 构建更值得信任和具有说服力的推荐系统：特性对评估推荐系统的影响 305 14.1 简介 305 14.2 推荐系统作为社交角色 306 14.3 来源可信度 306 14.3.1 可信度 306 14.3.2 专业能力 307 14.3.3 对来源可信度的影响 307 14.4 人际交互中信息特性的研究 307 14.4.1 相似度 307 14.4.2 喜好度 308 14.4.3 权威的象征 308 14.4.4 演讲的风格 308 14.4.5 外在吸引力 308 14.4.6 幽默 309 14.5 人机交互中的特性 309 14.6 用户与推荐系统交互的特性 309 14.6.1 推荐系统类型 310 14.6.2 输入特性 310 14.6.3 过程特性 311 14.6.4 输出特性 311 14.6.5 内嵌的智能体特性 312 14.7 讨论 312 14.8 影响 313 14.9 未来研究方向 314 参考文献 314 第15章 设计和评估推荐系统的解释 321 15.1 简介 321 15.2 指引 322 15.3 专家系统的说明 322 15.4 定义的目标 322 15.4.1 系统如何工作:透明性 324 15.4.2 允许用户告诉系统它是错误的：被理解 324 15.4.3 增加用户对系统上的信任：信任度 325 15.4.4 说服用户尝试或购买：说服力 326 15.4.5 帮助用户充分地决策：有效性 327 15.4.6 帮助用户快速制定决策：效率 328 15.4.7 使系统的应用愉悦：满意度 328 15.5 评估解释在推荐系统的作用 329 15.5.1 精准度 329 15.5.2 学习效率 329 15.5.3 覆盖度 330 15.5.4 接受度 330 15.6 用推荐设计展示与互动 330 15.6.1 展示推荐 330 15.6.2 与推荐系统交互 331 15.7 解释风格 332 15.7.1 基于协同风格 333 15.7.2 基于内容风格 334 15.7.3 基于案例风格 334 15.7.4 基于知识/自然语言风格 335 15.7.5 基于人口统计风格 335 15.8 总结与展望 336 参考文献 337 第16章 基于实例评价研究的产品推荐系统的可用性准则 340 16.1 简介 340 16.2 预备知识 341 16.2.1 交互模型 341 16.2.2 基于效用的推荐系统 342 16.2.3 准确率、信任度和代价的框架 344 16.2.4 本章结构 344 16.3 相关工作 345 16.3.1 推荐系统分类 345 16.3.2 基于评分的推荐系统 345 16.3.3 基于案例的推荐系统 345 16.3.4 基于效用的推荐系统 345 16.3.5 基于评价的推荐系统 346 16.3.6 其他设计指导准则 346 16.4 初始偏好提取 347 16.5 通过实例激励用户表示偏好 349 16.5.1 需要多少实例 350 16.5.2 需要哪些实例 350 16.6 偏好修正 352 16.6.1 偏好冲突和部分满足 352 16.6.2 权衡辅助 353 16.7 展示策略 354 16.7.1 一次推荐一项物品 354 16.7.2 推荐k项最匹配的物品 355 16.7.3 解释界面 355 16.8 准则验证模型 357 16.9 总结 359 参考文献 359 第17章 基于示意图的产品目录可视化 363 17.1 简介 363 17.2 基于图的可视化方法 364 17.2.1 自组织映射 364 17.2.2 树图 365 17.2.3 多维缩放 366 17.2.4 非线性主成分分析 367 17.3 产品目录图 367 17.3.1 多维缩放 368 17.3.2 非线性主成分分析 369 17.4 通过点击流分析决定属性权重 370 17.4.1 泊松回归模型 370 17.4.2 处理缺失值 371 17.4.3 使用泊松回归选择权值 371 17.4.4 阶梯式泊松回归模型 371 17.5 图像购物界面 372 17.6 电子商务应用 373 17.6.1 使用属性权值的基于MDS的产品目录图 373 17.6.2 基于NL-PCA的产品目录图 375 17.6.3 图像购物界面 377 17.7 总结与展望 379 致谢 380 参考文献 380 第四部分 推荐系统与群体 第18章 个性化Web搜索中的群体、协作与推荐系统 384 18.1 简介 384 18.2 网络搜索历史简介 385 18.3 网络搜索的未来 387 18.3.1 个性化网络搜索 387 18.3.2 协同信息检索 390 18.3.3 向社交搜索前进 392 18.4 案例研究1：基于群体的网络搜索 392 18.4.1 搜索群体中的重复性和规律性 392 18.4.2 协同网络搜索系统 393 18.4.3 评估 395 18.4.4 讨论 396 18.5 案例研究2：网络搜索共享 396 18.5.1 HeyStaks系统 397 18.5.2 HeyStaks推荐引擎 399 18.5.3 评估 400 18.5.4 讨论 402 18.6 总结 402 致谢 403 参考文献 403 第19章 社会化标签推荐系统 409 19.1 简介 409 19.2 社会化标签推荐系统 410 19.2.1 大众分类法 410 19.2.2 传统推荐系统范式 411 19.2.3 多模式推荐 412 19.3 现实社会化标签推荐系统 413 19.3.1 有哪些挑战 413 19.3.2 案例BibSonomy 413 19.3.3 标签获取 415 19.4 社会化标签系统的推荐算法 416 19.4.1 协同过滤 416 19.4.2 基于排序的推荐 418 19.4.3 基于内容的社会化标签推荐系统 421 19.4.4 评估方案和评估度量 423 19.5 算法比较 424 19.6 总结与展望 426 参考文献 427 第20章 信任和推荐 430 20.1 简介 430 20.2 信任的表示与计算 431 20.2.1 信任表示 431 20.2.2 信任计算 433 20.3 信任增强推荐系统 436 20.3.1 动机 436 20.3.2 进展 437 20.3.3 实验比较 441 20.4 进展和开放性挑战 445 20.5 总结 446 参考文献 446 第21章 组推荐系统 449 21.1 简介 449 21.2 应用场景和群组推荐系统分类 450 21.2.1 交互式电视 450 21.2.2 环绕智能 450 21.2.3 基于场景的推荐系统 451 21.2.4 基于分类的群组推荐 451 21.3 合并策略 452 21.3.1 合并策略概览 452 21.3.2 合并策略在相关工作中的应用 453 21.3.3 哪种策略效果最好 454 21.4 序列顺序的影响 455 21.5 对情感状态建模 456 21.5.1 对个人的满意度进行建模 457 21.5.2 个人满意度对群组的影响 458 21.6 情感状态在合并策略中的使用 459 21.7 对单个用户进行组推荐 460 21.7.1 多准则 460 21.7.2 冷启动问题 461 21.7.3 虚拟组成员 462 21.8 总结与挑战 462 21.8.1 提出的主要问题 463 21.8.2 警告：组建模 463 21.8.3 面临的挑战 464 致谢 464 参考文献 465 第五部分 高级算法 第22章 推荐系统中的偏好聚合468 22.1 简介 468 22.2 推荐系统中的聚合类型 468 22.2.1 协同过滤中的偏好聚合 470 22.2.2 CB与UB推荐中的特性聚合 470 22.2.3 CB与UB的配置文件构建 470 22.2.4 物品和用户相似度以及邻居的形成 471 22.2.5 基于实例推理的连接词在推荐系统中的应用 472 22.2.6 加权混合系统 472 22.3 聚合函数概论 472 22.3.1 定义和属性 472 22.3.2 聚合成员 475 22.4 聚合函数的构建 479 22.4.1 数据收集和处理 479 22.4.2 期望属性、语义、解释 480 22.4.3 函数表现的复杂度及其理解 481 22.4.4 权重和参数的确定 482 22.5 推荐系统中的复杂聚合过程:为特定应用定制 482 22.6 总结 485 22.7 进阶阅读 485 致谢 486 参考文献 486 第23章 推荐系统中的主动学习 488 23.1 简介 488 23.1.1 推荐系统中主动学习的目标 489 23.1.2 例证 490 23.1.3 主动学习的类型 490 23.2 数据集的属性 491 23.3 主动学习在推荐系统中的应用 492 23.4 主动学习公式 493 23.5 基于不确定性的主动学习 495 23.5.1 输出不确定性 495 23.5.2 决策边界不确定性 496 23.5.3 模型不确定性 497 23.6 基于误差的主动学习 498 23.6.1 基于实例的方法 498 23.6.2 基于模型的方法 500 23.7 基于组合的主动学习 501 23.7.1 基于模型的方法 501 23.7.2 基于候选的方法 502 23.8 基于会话的主动学习 504 23.8.1 基于实例的评论 504 23.8.2 基于多样性的方法 504 23.8.3 基于查询编辑的方法 505 23.9 计算因素考虑 505 23.10 总结 505 致谢 506 参考文献 506 第24章 多准则推荐系统 510 24.1 简介 510 24.2 推荐作为多准则决策问题 511 24.2.1 决策目标 512 24.2.2 准则簇 512 24.2.3 全局偏好模型 513 24.2.4 决策支持流程 513 24.3 推荐系统的MCDM框架:经验教训 515 24.4 多准则评分推荐 517 24.4.1 传统的单值评分推荐问题 517 24.4.2 引入多准则评分来扩展传统推荐系统 518 24.5 多准则评分推荐算法综述 519 24.5.1 预测中使用多准则评分 519 24.5.2 推荐中使用多准则评分 524 24.6 讨论及未来工作 526 24.7 总结 527 致谢 528 参考文献 528 第25章 具有健壮性的协同推荐 533 25.1 简介 533 25.2 问题定义 534 25.3 攻击分类 536 25.3.1 基础攻击 536 25.3.2 非充分信息攻击 537 25.3.3 打压攻击模型 537 25.3.4 知情攻击模型 538 25.4 检测系统健壮性 539 25.4.1 评估矩阵 539 25.4.2 推举攻击 540 25.4.3 打压攻击 541 25.4.4 知情攻击 542 25.4.5 攻击效果 543 25.5 攻击检测 543 25.5.1 评估矩阵 544 25.5.2 单用户检测 544 25.5.3 用户组检测 545 25.5.4 检测结果 548 25.6 健壮的推荐算法 548 25.6.1 基于模型的推荐 548 25.6.2 健壮的矩阵分解算法 549 25.6.3 其他具有健壮性的推荐算法 549 25.6.4 影响力限制器和基于信誉的推荐 550 25.7 总结 550 致谢 551 参考文献 551 本书贡献者名单 554 翻译团队名单560

弗朗西斯科·里奇（Francesco Ricci），意大利博尔扎诺自由大学计算机科学副教授。目前他的研究兴趣包括推荐系统、智能接口、移动系统、机器学习、案例推理、信息和通信技术在旅游中的应用。他是《Journal of Information Technology and Tourism》杂志的编委，还是ACM和IEEE会员。他还是ACM会议推荐系统分会的指导委员会成员。 利奥·罗卡奇（Lior Rokach），以色列本-古里安大学信息系统工程系助理教授。他是智能信息系统方面公认的专家，在这一领域处于世界领先地位。他的主要研究领域包括数据挖掘、模式识别和推荐系统。他的70篇论文被主流期刊、会议和书籍等引用。 布拉哈·夏皮拉（Bracha Shapira），以色列本-古里安大学信息系统工程系助理教授。目前她的研究兴趣包括推荐系统、信息检索、个性化、用户建模和社交网络。她是本-古里安大学德国电信实验室研究项目负责人，并且还是ACM和IEEE会员。 保罗 B. 坎特（Paul Kantor），罗格斯大学通信与信息学院情报学教授，兼任计算机科学系和RUTCOR中心运筹学教授。目前他的研究兴趣包括协作信息发现、文本分类、文本或图像索引和检索。他是美国科学促进会会士，ACM、IEEE和ASIST会员。他的研究得到了美国NSF和国土安全部等机构的支持。

暂无其它内容！

• 推荐系统-技术、评估及高效算法

  来源：豆瓣 发布时间：2025-05-09 01:14:54