推荐系统：原理与实践

本书介绍当前推荐系统领域中的经典方法。不仅详细讨论了各类方法，还对同类技术进行了归纳总结，这有助于读者对当前推荐系统研究领域有全面的了解。书中提供了大量的例子和习题来帮助读者深入理解和掌握相关技术。此外，本书还介绍了当前新的研究方向，为读者进行推荐系统技术的研究提供参考。本书既可以作为计算机相关专业本科生和研究生的教材，也适合开发人员和研究人员阅读。

出版者的话 译者序 前言 致谢 作者简介 第1章推荐系统概述 1.1引言 1.2推荐系统的目标 1.2.1推荐系统应用范围 1.3推荐系统的基本模型 1.3.1协同过滤模型 1.3.2基于内容的推荐系统 1.3.3基于知识的推荐系统 1.3.4人口统计推荐系统 1.3.5混合集成的推荐系统 1.3.6对推荐系统的评价 1.4推荐系统领域特有的挑战 1.4.1基于上下文的推荐系统 1.4.2时间敏感的推荐系统 1.4.3基于位置的推荐系统 1.4.4社交信息系统 1.5高级论题和应用 1.5.1推荐系统中的冷启动问题 1.5.2抗攻击推荐系统 1.5.3组推荐系统 1.5.4多标准推荐系统 1.5.5推荐系统中的主动学习 1.5.6推荐系统中的隐私问题 1.5.7应用领域 1.6小结 1.7相关工作 1.8习题 第2章基于近邻的协同过滤 2.1引言 2.2评分矩阵的关键性质 2.3通过基于近邻的方法预测评分 2.3.1基于用户的近邻模型 2.3.2基于物品的近邻模型 2.3.3高效的实现和计算复杂度 2.3.4基于用户的方法和基于物品的方法的比较 2.3.5基于近邻方法的优劣势 2.3.6基于用户的方法和基于物品的方法的联合 2.4聚类和基于近邻的方法 2.5降维与近邻方法 2.5.1处理偏差 2.6近邻方法的回归模型视角 2.6.1基于用户的最近邻回归 2.6.2基于物品的最近邻回归 2.6.3基于用户的方法和基于物品的方法的结合 2.6.4具有相似度权重的联合插值 2.6.5稀疏线性模型 2.7基于近邻方法的图模型 2.7.1用户物品图 2.7.2用户用户图 2.7.3物品物品图 2.8小结 2.9相关工作 2.10习题 第3章基于模型的协同过滤 3.1引言 3.2决策和回归树 3.2.1将决策树扩展到协同过滤 3.3基于规则的协同过滤 3.3.1将关联规则用于协同过滤 3.3.2面向物品的模型与面向用户的模型 3.4朴素贝叶斯协同过滤 3.4.1处理过拟合 3.4.2示例：使用贝叶斯方法处理二元评分 3.5将任意分类模型当作黑盒来处理 3.5.1示例：使用神经网络作为黑盒分类器 3.6潜在因子模型 3.6.1潜在因子模型的几何解释 3.6.2潜在因子模型的低秩解释 3.6.3基本矩阵分解原理 3.6.4无约束矩阵分解 3.6.5奇异值分解 3.6.6非负矩阵分解 3.6.7理解矩阵因子分解方法族 3.7集成因子分解和近邻模型 3.7.1基准估计：非个性化偏倚中心模型 3.7.2模型的近邻部分 3.7.3模型的潜在因子部分 3.7.4集成近邻和潜在因子部分 3.7.5求解优化模型 3.7.6关于精度的一些观察 3.7.7将潜在因子模型集成到任意模型 3.8小结 3.9相关工作 3.10习题 第4章基于内容的推荐系统 4.1引言 4.2基于内容的系统的基本组件 4.3预处理和特征提取 4.3.1特征提取 4.3.2特征表示和清洗 4.3.3收集用户的偏好 4.3.4监督特征选择和加权 4.4学习用户画像和过滤 4.4.1最近邻分类 4.4.2与基于案例的推荐系统的关联性 4.4.3贝叶斯分类器 4.4.4基于规则的分类器 4.4.5基于回归的模型 4.4.6其他学习模型和比较概述 4.4.7基于内容的系统的解释 4.5基于内容的推荐与协同推荐 4.6将基于内容的模型用于协同过滤 4.6.1利用用户画像 4.7小结 4.8相关工作 4.9习题 第5章基于知识的推荐系统 5.1引言 5.2基于约束的推荐系统 5.2.1返回相关结果 5.2.2交互方法 5.2.3排序匹配的物品 5.2.4处理不可接受的结果或空集 5.2.5添加约束 5.3基于案例的推荐系统 5.3.1相似性度量 5.3.2批评方法 5.3.3批评的解释 5.4基于知识的系统的持久个性化 5.5小结 5.6相关工作 5.7习题 第6章基于集成的混合推荐系统 6.1引言 6.2从分类角度看集成方法 6.3加权型混合系统 6.3.1几种模型组合的方法 6.3.2对分类中的bagging算法的调整 6.3.3随机性注入算法 6.4切换型混合系统 6.4.1为解决冷启动问题的切换机制 6.4.2桶模型 6.5级联型混合系统 6.5.1推荐结果的逐步优化 6.5.2boosting算法 6.6特征放大型混合系统 6.7元级型混合系统 6.8特征组合型混合系统 6.8.1回归分析和矩阵分解 6.8.2元级特征 6.9交叉型混合系统 6.10小结 6.11相关工作 6.12习题 第7章推荐系统评估 7.1引言 7.2评估范例 7.2.1用户调查 7.2.2在线评估 7.2.3使用历史数据集进行离线评估 7.3评估设计的总体目标 7.3.1精确性 7.3.2覆盖率 7.3.3置信度和信任度 7.3.4新颖度 7.3.5惊喜度 7.3.6多样性 7.3.7健壮性和稳定性 7.3.8可扩展性 7.4离线推荐评估的设计要点 7.4.1Netflix Prize数据集的案例研究 7.4.2为训练和测试分解评分 7.4.3与分类设计的比较 7.5离线评估的精确性指标 7.5.1度量预测评分的精确性 7.5.2通过相关性评估排名 7.5.3通过效用评估排名 7.5.4通过ROC曲线评估排名 7.5.5哪种排名方式最好 7.6评估指标的局限性 7.6.1避免评估游戏 7.7小结 7.8相关工作 7.9习题 第8章上下文敏感的推荐系统 8.1引言 8.2多维方法 8.2.1层级的重要性 8.3上下文预过滤：一种基于降维的方法 8.3.1基于集成的改进 8.3.2多级别的估计 8.4后过滤方法 8.5上下文建模 8.5.1基于近邻的方法 8.5.2潜在因子模型 8.5.3基于内容的模型 8.6小结 8.7相关工作 8.8习题 第9章时间与位

Charu C.Aggarwal是位于纽约州约克城的IBM T.J.Watson研究中心的杰出研究人员（DRSM）。他于1993年在印度坎普尔理工学院获得了学士学位，1996年在麻省理工学院获得了博士学位。他对数据挖掘领域有着广泛的研究。他在国际会议和期刊上发表了300余篇论文，申请了80余项专利。他是15本书的作者或编辑，包括一本数据挖掘教材和一本关于孤立点分析的综合性著作。由于他的专利的商业价值，他曾三次被评为IBM的“发明大师”（Master Inventor）。由于提出了数据流上的生物恐怖威胁检测技术，他获得了2003年IBM公司奖；由于在隐私技术上的科学性贡献，他获得了2008年IBM杰出创新奖；由于在数据流和高维数据上的研究工作，他分别于2009年和2015年两次获得了IBM杰出技术成就奖。他因为提出了基于冷凝的隐私保护数据挖掘技术而获得了EDBT 2014的时间检验奖。他还于2015年获得了IEEE ICDM研究贡献奖，这是数据挖掘领域对具有突出贡献的研究的两个最高奖项之一。 他曾担任IEEE大数据会议（2014）的大会主席，ACM CIKM会议（2015）、IEEE ICDM会议（2015）和ACM KDD会议（2016）的程序委员会主席。他从2004年到2008年担任了《IEEE Transactions on Knowledge and Data Engineering》的副主编。他是《ACMTransactions on Knowledge Discovery from Data》的副主编，《IEEE Transactions on Big Data》的副主编，《Data Mining andKnowledge Discovery Journal》的执行主编，《ACM SIGKDD Explorations》的主编，《Knowledge and Information Systems Journal》的副主编。他在Springer的刊物《Lecture Notes on Social Networks》的咨询委员会任职。他担任过SIAM Activity Group on Data Mining的副主席。由于在知识发现和数据挖掘算法方面的贡献，他成为SIAM、ACM和IEEE的会士。

暂无其它内容！

暂时还没有人为这本书评论！