推荐系统 原理与实践PDF|Epub|txt|kindle电子书版本网盘下载

推荐系统 原理与实践PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 推荐系统概述1

1.1 引言1

1.2 推荐系统的目标2

1.2.1 推荐系统应用范围5

1.3 推荐系统的基本模型5

1.3.1 协同过滤模型5

1.3.2 基于内容的推荐系统10

1.3.3 基于知识的推荐系统11

1.3.4 人口统计推荐系统13

1.3.5 混合集成的推荐系统14

1.3.6 对推荐系统的评价14

1.4 推荐系统领域特有的挑战14

1.4.1 基于上下文的推荐系统14

1.4.2 时间敏感的推荐系统15

1.4.3 基于位置的推荐系统15

1.4.4 社交信息系统15

1.5 高级论题和应用16

1.5.1 推荐系统中的冷启动问题17

1.5.2 抗攻击推荐系统17

1.5.3 组推荐系统17

1.5.4 多标准推荐系统17

1.5.5 推荐系统中的主动学习18

1.5.6 推荐系统中的隐私问题18

1.5.7 应用领域18

1.6 小结18

1.7 相关工作19

1.8 习题20

第2章 基于近邻的协同过滤21

2.1 引言21

2.2 评分矩阵的关键性质22

2.3 通过基于近邻的方法预测评分24

2.3.1 基于用户的近邻模型24

2.3.2 基于物品的近邻模型29

2.3.3 高效的实现和计算复杂度30

2.3.4 基于用户的方法和基于物品的方法的比较31

2.3.5 基于近邻方法的优劣势32

2.3.6 基于用户的方法和基于物品的方法的联合33

2.4 聚类和基于近邻的方法33

2.5 降维与近邻方法34

2.5.1 处理偏差35

2.6 近邻方法的回归模型视角38

2.6.1 基于用户的最近邻回归39

2.6.2 基于物品的最近邻回归41

2.6.3 基于用户的方法和基于物品的方法的结合42

2.6.4 具有相似度权重的联合插值42

2.6.5 稀疏线性模型43

2.7 基于近邻方法的图模型45

2.7.1 用户-物品图45

2.7.2 用户-用户图47

2.7.3 物品-物品图49

2.8 小结50

2.9 相关工作50

2.10 习题51

第3章 基于模型的协同过滤53

3.1 引言53

3.2 决策和回归树55

3.2.1 将决策树扩展到协同过滤56

3.3 基于规则的协同过滤57

3.3.1 将关联规则用于协同过滤59

3.3.2 面向物品的模型与面向用户的模型60

3.4 朴素贝叶斯协同过滤61

3.4.1 处理过拟合63

3.4.2 示例：使用贝叶斯方法处理二元评分63

3.5 将任意分类模型当作黑盒来处理64

3.5.1 示例：使用神经网络作为黑盒分类器65

3.6 潜在因子模型67

3.6.1 潜在因子模型的几何解释68

3.6.2 潜在因子模型的低秩解释69

3.6.3 基本矩阵分解原理70

3.6.4 无约束矩阵分解71

3.6.5 奇异值分解84

3.6.6 非负矩阵分解88

3.6.7 理解矩阵因子分解方法族93

3.7 集成因子分解和近邻模型95

3.7.1 基准估计：非个性化偏倚中心模型95

3.7.2 模型的近邻部分96

3.7.3 模型的潜在因子部分97

3.7.4 集成近邻和潜在因子部分97

3.7.5 求解优化模型98

3.7.6 关于精度的一些观察98

3.7.7 将潜在因子模型集成到任意模型99

3.8 小结99

3.9 相关工作100

3.10 习题101

第4章 基于内容的推荐系统103

4.1 引言103

4.2 基于内容的系统的基本组件104

4.3 预处理和特征提取105

4.3.1 特征提取105

4.3.2 特征表示和清洗107

4.3.3 收集用户的偏好108

4.3.4 监督特征选择和加权108

4.4 学习用户画像和过滤111

4.4.1 最近邻分类111

4.4.2 与基于案例的推荐系统的关联性112

4.4.3 贝叶斯分类器113

4.4.4 基于规则的分类器115

4.4.5 基于回归的模型117

4.4.6 其他学习模型和比较概述118

4.4.7 基于内容的系统的解释118

4.5 基于内容的推荐与协同推荐119

4.6 将基于内容的模型用于协同过滤120

4.6.1 利用用户画像120

4.7 小结121

4.8 相关工作121

4.9 习题122

第5章 基于知识的推荐系统123

5.1 引言123

5.2 基于约束的推荐系统127

5.2.1 返回相关结果128

5.2.2 交互方法129

5.2.3 排序匹配的物品131

5.2.4 处理不可接受的结果或空集131

5.2.5 添加约束132

5.3 基于案例的推荐系统132

5.3.1 相似性度量134

5.3.2 批评方法138

5.3.3 批评的解释142

5.4 基于知识的系统的持久个性化143

5.5 小结143

5.6 相关工作144

5.7 习题145

第6章 基于集成的混合推荐系统146

6.1 引言146

6.2 从分类角度看集成方法149

6.3 加权型混合系统151

6.3.1 几种模型组合的方法153

6.3.2 对分类中的bagging算法的调整153

6.3.3 随机性注入算法155

6.4 切换型混合系统155

6.4.1 为解决冷启动问题的切换机制156

6.4.2 桶模型156

6.5 级联型混合系统156

6.5.1 推荐结果的逐步优化157

6.5.2 boosting算法157

6.6 特征放大型混合系统159

6.7 元级型混合系统159

6.8 特征组合型混合系统160

6.8.1 回归分析和矩阵分解161

6.8.2 元级特征161

6.9 交叉型混合系统163

6.10 小结164

6.11 相关工作164

6.12 习题166

第7章 推荐系统评估167

7.1 引言167

7.2 评估范例168

7.2.1 用户调查168

7.2.2 在线评估169

7.2.3 使用历史数据集进行离线评估170

7.3 评估设计的总体目标170

7.3.1 精确性170

7.3.2 覆盖率171

7.3.3 置信度和信任度172

7.3.4 新颖度173

7.3.5 惊喜度173

7.3.6 多样性174

7.3.7 健壮性和稳定性174

7.3.8 可扩展性174

7.4 离线推荐评估的设计要点175

7.4.1 Netflix Prize数据集的案例研究175

7.4.2 为训练和测试分解评分177

7.4.3 与分类设计的比较178

7.5 离线评估的精确性指标178

7.5.1 度量预测评分的精确性178

7.5.2 通过相关性评估排名180

7.5.3 通过效用评估排名181

7.5.4 通过ROC曲线评估排名184

7.5.5 哪种排名方式最好186

7.6 评估指标的局限性186

7.6.1 避免评估游戏188

7.7 小结188

7.8 相关工作188

7.9 习题189

第8章 上下文敏感的推荐系统191

8.1 引言191

8.2 多维方法192

8.2.1 层级的重要性194

8.3 上下文预过滤：一种基于降维的方法196

8.3.1 基于集成的改进198

8.3.2 多级别的估计199

8.4 后过滤方法199

8.5 上下文建模200

8.5.1 基于近邻的方法201

8.5.2 潜在因子模型202

8.5.3 基于内容的模型207

8.6 小结209

8.7 相关工作209

8.8 习题210

第9章 时间与位置敏感的推荐系统211

9.1 引言211

9.2 时间协同过滤212

9.2.1 基于新近的模型213

9.2.2 处理周期性上下文215

9.2.3 将评分建模为时间的函数216

9.3 离散时间模型220

9.3.1 马尔可夫模型220

9.3.2 序列模式挖掘223

9.4 位置感知推荐系统224

9.4.1 偏好位置225

9.4.2 旅行位置227

9.4.3 结合偏好位置与旅行位置227

9.5 小结227

9.6 相关工作227

9.7 习题229

第10章 网络中的结构化推荐230

10.1 引言230

10.2 排序算法231

10.2.1 PageRank231

10.2.2 个性化PageRank234

10.2.3 基于近邻的方法应用235

10.2.4 SimRank239

10.2.5 搜索与推荐的关系240

10.3 使用集合分类的推荐240

10.3.1 迭代分类算法241

10.3.2 使用随机游走的标签传播242

10.3.3 社交网络中协同过滤的适用性243

10.4 推荐好友：链接预测243

10.4.1 基于近邻的方法243

10.4.2 Katz度量244

10.4.3 基于随机游走的度量245

10.4.4 作为分类问题的链接预测245

10.4.5 链接预测的矩阵分解246

10.4.6 链接预测和协同过滤的关联249

10.5 社会影响力分析和病毒式营销251

10.5.1 线性阈值模型253

10.5.2 独立级联模型253

10.5.3 影响力函数评估253

10.5.4 社交流中的目标影响力分析模型254

10.6 小结255

10.7 相关工作255

10.8 习题256

第11章 社交和以信任为中心的推荐系统257

11.1 引言257

11.2 社交上下文的多维模型258

11.3 以网络为中心的方法和以信任为中心的方法259

11.3.1 收集数据来建立信任网络260

11.3.2 信任的传播和聚合261

11.3.3 没有信任传播的简单推荐262

11.3.4 TidalTrust算法262

11.3.5 MoleTrust算法264

11.3.6 信任游走算法265

11.3.7 链接预测法266

11.3.8 矩阵分解法268

11.3.9 社交推荐系统的优点271

11.4 社交推荐系统中的用户交互272

11.4.1 大众分类法的代表273

11.4.2 社会性标签系统中的协同过滤275

11.4.3 选择有价值的标签276

11.4.4 无评分矩阵的社会性标签推荐276

11.4.5 使用评分矩阵的社会性标签推荐281

11.5 小结285

11.6 相关工作285

11.7 习题287

第12章 抵抗攻击的推荐系统288

12.1 引言288

12.2 对攻击模型中的权衡的理解289

12.2.1 量化攻击的影响292

12.3 攻击类型293

12.3.1 随机攻击294

12.3.2 均值攻击294

12.3.3 bandwagon攻击295

12.3.4 流行攻击295

12.3.5 爱／憎攻击296

12.3.6 反向bandwagon攻击296

12.3.7 探测攻击296

12.3.8 分段攻击296

12.3.9 基本推荐算法的效果297

12.4 探测推荐系统中的攻击298

12.4.1 单体攻击画像的探测299

12.4.2 群体攻击画像的探测300

12.5 健壮推荐设计策略301

12.5.1 用CAPTCHA防止自动攻击302

12.5.2 使用社会信任302

12.5.3 设计健壮的推荐算法302

12.6 小结305

12.7 相关工作305

12.8 习题306

第13章 推荐系统高级主题307

13.1 引言307

13.2 排名学习308

13.2.1 成对排名学习309

13.2.2 列表排名学习310

13.2.3 与其他领域中排名学习方法的比较311

13.3 多臂赌博机算法311

13.3.1 朴素算法313

13.3.2 ε贪心算法313

13.3.3 上限方法314

13.4 组推荐系统315

13.4.1 协同和基于内容的系统316

13.4.2 基于知识的系统317

13.5 多标准推荐系统317

13.5.1 基于近邻的方法318

13.5.2 基于集成的方法319

13.5.3 无整体评分的多标准系统320

13.6 推荐系统中的主动学习320

13.6.1 基于异质性的模型321

13.6.2 基于性能的模型322

13.7 推荐系统中的隐私322

13.7.1 基于冷凝的隐私323

13.7.2 高维数据的挑战323

13.8 一些有趣的应用领域324

13.8.1 门户内容个性化324

13.8.2 计算广告与推荐系统326

13.8.3 互惠推荐系统329

13.9 小结331

13.10 相关工作332

参考文献334

索引368