| 作者 |
| ［美］查鲁·C. 阿加沃尔 |
| 丛书名 |
| 计算机科学丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111600329 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书介绍推荐系统的基本原理、方法和技术。不仅详细讨论了各类方法，还对同类技术进行了归纳总结，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内容。此外，本书还介绍了当前最新的研究方向，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及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。 |
| 目录 |
| 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 11引言 12推荐系统的目标 121推荐系统应用范围 13推荐系统的基本模型 131协同过滤模型 132基于内容的推荐系统 133基于知识的推荐系统 134人口统计推荐系统 135混合集成的推荐系统 136对推荐系统的评价 14推荐系统领域特有的挑战 141基于上下文的推荐系统 142时间敏感的推荐系统 143基于位置的推荐系统 144社交信息系统 15高级论题和应用 151推荐系统中的冷启动问题 152抗攻击推荐系统 153组推荐系统 154多标准推荐系统 155推荐系统中的主动学习 156推荐系统中的隐私问题 157应用领域 16小结 17相关工作 18习题 第2章基于近邻的协同过滤 21引言 22评分矩阵的关键性质 23通过基于近邻的方法预测评分 231基于用户的近邻模型 232基于物品的近邻模型 233高效的实现和计算复杂度 234基于用户的方法和基于物品的方法的比较 235基于近邻方法的优劣势 236基于用户的方法和基于物品的方法的联合 24聚类和基于近邻的方法 25降维与近邻方法 251处理偏差 26近邻方法的回归模型视角 261基于用户的最近邻回归 262基于物品的最近邻回归 263基于用户的方法和基于物品的方法的结合 264具有相似度权重的联合插值 265稀疏线性模型 27基于近邻方法的图模型 271用户物品图 272用户用户图 273物品物品图 28小结 29相关工作 210习题 第3章基于模型的协同过滤 31引言 32决策和回归树 321将决策树扩展到协同过滤 33基于规则的协同过滤 331将关联规则用于协同过滤 332面向物品的模型与面向用户的模型 34朴素贝叶斯协同过滤 341处理过拟合 342示例：使用贝叶斯方法处理二元评分 35将任意分类模型当作黑盒来处理 351示例：使用神经网络作为黑盒分类器 36潜在因子模型 361潜在因子模型的几何解释 362潜在因子模型的低秩解释 363基本矩阵分解原理 364无约束矩阵分解 365奇异值分解 366非负矩阵分解 367理解矩阵因子分解方法族 37集成因子分解和近邻模型 371基准估计：非个性化偏倚中心模型 372模型的近邻部分 373模型的潜在因子部分 374集成近邻和潜在因子部分 375求解优化模型 376关于精度的一些观察 377将潜在因子模型集成到任意模型 38小结 39相关工作 310习题 第4章基于内容的推荐系统 41引言 42基于内容的系统的基本组件 43预处理和特征提取 431特征提取 432特征表示和清洗 433收集用户的偏好 434监督特征选择和加权 44学习用户画像和过滤 441最近邻分类 442与基于案例的推荐系统的关联性 443贝叶斯分类器 444基于规则的分类器 445基于回归的模型 446其他学习模型和比较概述 447基于内容的系统的解释 45基于内容的推荐与协同推荐 46将基于内容的模型用于协同过滤 461利用用户画像 47小结 48相关工作 49习题 第5章基于知识的推荐系统 51引言 52基于约束的推荐系统 521返回相关结果 522交互方法 523排序匹配的物品 524处理不可接受的结果或空集 525添加约束 53基于案例的推荐系统 531相似性度量 532批评方法 533批评的解释 54基于知识的系统的持久个性化 55小结 56相关工作 57习题 第6章基于集成的混合推荐系统 61引言 62从分类角度看集成方法 63加权型混合系统 631几种模型组合的方法 632对分类中的bagging算法的调整 633随机性注入算法 64切换型混合系统 641为解决冷启动问题的切换机制 642桶模型 65级联型混合系统 651推荐结果的逐步优化 652boosting算法 66特征放大型混合系统 67元级型混合系统 68特征组合型混合系统 681回归分析和矩阵分解 682元级特征 69交叉型混合系统 610小结 611相关工作 612习题 第7章推荐系统评估 71引言 72评估范例 721用户调查 722在线评估 723使用历史数据集进行离线评估 73评估设计的总体目标 731精确性 732覆盖率 733置信度和信任度 734新颖度 735惊喜度 736多样性 737健壮性和稳定性 738可扩展性 74离线推荐评估的设计要点 741Netflix Prize数据集的案例研究 742为训练和测试分解评分 743与分类设计的比较 75离线评估的精确性指标 751度量预测评分的精确性 752通过相关性评估排名 753通过效用评估排名 754通过ROC曲线评估排名 755哪种排名方式最好 76评估指标的局限性 761避免评估游戏 77小结 78相关工作 79习题 第8章上下文敏感的推荐系统 81引言 82多维方法 821层级的重要性 83上下文预过滤：一种基于降维的方法 831基于集成的改进 832多级别的估计 84后过滤方法 85上下文建模 851基于近邻的方法 852潜在因子模型 853基于内容的模型 86小结 87相关工作 88习题 第9章时间与位置敏感的推荐系统 91引言 92时间协同过滤 921基于新近的模型 922处理周期性上下文 923将评分建模为时间的函数 93离散时间模型 931马尔可夫模型 932序列模式挖掘 94位置感知推荐系统 941偏好位置 942旅行位置 943结合偏好位置与旅行位置 95小结 96相关工作 97习题 第10章网络中的结构化推荐 101引言 102排序算法 1021PageRank 1022个性化PageRank 1023基于近邻的方法应用 1024SimRank 1025搜索与推荐的关系 103使用集合分类的推荐 1031迭代分类算法 1032使用随机游走的标签传播 1033社交网络中协同过滤的适用性 104推荐好友：链接预测 1041基于近邻的方法 1042Katz度量 1043基于随机游走的度量 1044作为分类问题的链接预测 1045链接预测的矩阵分解 1046链接预测和协同过滤的关联 105社会影响力分析和病毒式营销 1051线性阈值模型 1052独立级联模型 1053影响力函数评估 1054社交流中的目标影响力分析模型 106小结 107相关工作 108习题 第11章社交和以信任为中心的推荐系统 111引言 112社交上下文的多维模型 113以网络为中心的方法和以信任为中心的方法 1131收集数据来建立信任网络 1132信任的传播和聚合 1133没有信任传播的简单推荐 1134TidalTrust算法 1135MoleTrust算法 1136信任游走算法 1137链接预测法 1138矩阵分解法 1139社交推荐系统的优点 114社交推荐系统中的用户交互 1141大众分类法的代表 1142社会性标签系统中的协同过滤 1143选择有价值的标签 1144无评分矩阵的社会性标签推荐 1145使用评分矩阵的社会性标签推荐 115小结 116相关工作 117习题 第12章抵抗攻击的推荐系统 121引言 122对攻击模型中的权衡的理解 1221量化攻击的影响 123攻击类型 1231随机攻击 1232均值攻击 1233bandwagon攻击 1234流行攻击 1235爱/憎攻击 1236反向bandwagon攻击 1237探测攻击 1238分段攻击 1239基本推荐算法的效果 124探测推荐系统中的攻击 1241单体攻击画像的探测 1242群体攻击画像的探测 125健壮推荐设计策略 1251用CAPTCHA防止自动攻击 1252使用社会信任 1253设计健壮的推荐算法 126小结 127相关工作 128习题 第13章推荐系统高级主题 131引言 132排名学习 1321成对排名学习 1322列表排名学习 1323与其他领域中排名学习方法的比较 133多臂赌博机算法 1331朴素算法 1332贪心算法 1333上限方法 134组推荐系统 1341协同和基于内容的系统 1342基于知识的系统 135多标准推荐系统 1351基于近邻的方法 1352基于集成的方法 1353无整体评分的多标准系统 136推荐系统中的主动学习 1361基于异质性的模型 1362基于性能的模型 137推荐系统中的隐私 1371基于冷凝的隐私 1372高维数据的挑战 138一些有趣的应用领域 1381门户内容个性化 1382计算广告与推荐系统 1383互惠推荐系统 139小结 1310相关工作 参考文献 索引 |