导语

  

内容提要

  

    本书除了介绍推荐系统的一般框架、典型应用和评测方法之外，主要还介绍各种典型推荐算法的思想、原理、算法设计和应用场景，包括针对“千人千面”的个性化推荐和针对“千人万面”的情境化推荐。此外，本书还包含一些和推荐系统相关的专题内容，例如：针对排序问题的排序学习和针对信息融合的异质信息网络模型。
    本书可作为计算机科学与技术、软件工程、数据科学、人工智能等专业的高年级本科生和研究生的推荐系统相关课程的教材，也可作为从事推荐系统、搜索引擎、数据挖掘等研发工作的相关人员的参考书。

前言
第1章  概述
  1.1  推荐系统简介
    1.1.1  信息超载
    1.1.2  长尾效应
    1.1.3  推荐系统的价值
  1.2  推荐系统的发展历史
  1.3  个性化推荐
    1.3.1  用户画像
    1.3.2  项目画像
  1.4  应用场景
    1.4.1  电商
    1.4.2  新闻
    1.4.3  音乐
  1.5  推荐系统框架与形式化定义
  1.6  推荐算法分类
    1.6.1  基于算法思想的分类
    1.6.2  基于应用问题的分类
  习题
第2章  基于邻域的协同过滤
  2.1  协同过滤简介
    2.1.1  基本思想
    2.1.2  算法分类
    2.1.3  一般流程
  2.2  基于用户的协同过滤
    2.2.1  Top-N推荐
    2.2.2  评分预测
  2.3  基于项目的协同过滤
    2.3.1  Top-N推荐
    2.3.2  评分预测
  2.4  基于距离的相似度度量
  2.5  Slope One算法
  2.6  基于二部图的协同过滤
    2.6.1  激活扩散模型
    2.6.2  物质扩散模型
    2.6.3  热传导模型
  习题
第3章  基于模型的协同过滤
  3.1  基于关联规则的协同过滤
    3.1.1  基本概念
    3.1.2  关联规则度量
    3.1.3  Apriori关联规则挖掘算法
    3.1.4  关联规则的相关分析
  3.2  基于矩阵分解的评分预测
    3.2.1  奇异值分解
    3.2.2  隐语义模型
    3.2.3  概率矩阵分解
    3.2.4  SVD++模型
  3.3  基于矩阵分解的Top-N推荐
    3.3.1  基于正样本过采样的矩阵分解
    3.3.2  基于负样本欠采样的矩阵分解
  习题
第4章  基于内容和知识的推荐
  4.1  基于内容的推荐系统框架
  4.2  基于词向量空间模型的文本表示
    4.2.1  词袋模型
    4.2.2  TF-IDF模型
    4.2.3  模型改进
    4.2.4  余弦相似度
  4.3  基于语义的内容相似度
    4.3.1  基于本体的文本相似度
    4.3.2  基于网络知识的文本相似度
    4.3.3  基于语料库的文本相似度
  4.4  基于知识的推荐
    4.4.1  基于约束的推荐
    4.4.2  基于效用的推荐
    4.4.3  基于实例的推荐
  习题
第5章  混合推荐系统
  5.1  混合推荐实例——Netflix百万美金公开赛
  5.2  混合/组合推荐的动机
    5.2.1  实践经验
    5.2.2  理论依据
  5.3  混合/组合方法分类
    5.3.1  有监督组合和无监督组合
    5.3.2  并行式混合、串行式混合和整体式混合
  5.4  并行式混合推荐
    5.4.1  加权式混合
    5.4.2  切换式混合
    5.4.3  排序混合
  5.5  串行式混合推荐
    5.5.1  级联过滤
    5.5.2  级联学习
  5.6  整体式混合推荐
    5.6.1  特征组合
    5.6.2  特征扩充
    5.6.3  基于图模型的混合
  习题
第6章  推荐系统评测
  6.1  评测视角
  6.2  实验方法
    6.2.1  在线实验
    6.2.2  用户调查
    6.2.3  离线实验
  6.3  评分预测评价指标
    6.3.1  MAE和MSE
    6.3.2  RMSE、NMAE和NRMSE
  6.4  Top-N推荐评价指标
    6.4.1  分类准确度指标
    6.4.2  ROC曲线和AUC值
    6.4.3  基于排序的评价指标
    6.4.4  其他常用评价指标
  6.5  公开实验数据集
  习题
第7章  基于排序学习的推荐
  7.1  排序学习模型分类
  7.2  对级排序学习模型
    7.2.1  基本框架
    7.2.2  贝叶斯个性化排序
    7.2.3  协同对级排序学习
  7.3  列表级排序学习模型
    7.3.1  P-Push CR算法
    7.3.2  CofiRank算法
  习题
第8章  基于情境感知的推荐
  8.1  情境信息的定义
  8.2  情境信息的获取
  8.3  基于情境感知的推荐系统框架
    8.3.1  数据立方体
    8.3.2  基于树的层次信息表达
  8.4  融合情境信息的推荐模型
    8.4.1  情境预过滤
    8.4.2  情境后过滤
  8.5  情境建模
    8.5.1  基于邻域的方法
    8.5.2  基于模型的方法
  习题
第9章  基于时空信息的推荐
  9.1  基于时间信息的推荐
    9.1.1  最近最热门推荐算法
    9.1.2  基于时间的项目协同过滤
    9.1.3  基于时间的用户协同过滤
    9.1.4  基于会话的推荐
  9.2  基于序列感知的推荐
    9.2.1  基于马尔可夫模型的序列预测
    9.2.2  基于循环神经网络的序列预测
  9.3  基于空间信息的推荐
    9.3.1  位置信息的获取与推理
    9.3.2  基于位置信息的推荐
    9.3.3  融合其他信息的推荐
  习题
第10章  基于社交关系的推荐
  10.1  社交关系数据
  10.2  基于邻域的社交化推荐
    10.2.1  基于用户的协同过滤
    10.2.2  基于图扩散的推荐
  10.3  基于模型的社交化推荐
    10.3.1  基于潜在社交因子学习的推荐
    10.3.2  基于显式社交关系的推荐
  10.4  基于社会曝光的协同过滤
  习题
第11章  基于异质信息网络的推荐
  11.1  基本概念
  11.2  基于邻域的HIN推荐算法
    11.2.1  基于随机游走的相关度度量
    11.2.2  基于元路径的相关度度量
    11.2.3  基于元路径和随机游走混合的相关度度量
  11.3  基于模型的HIN推荐算法
    11.3.1  两阶段融合模型
    11.3.2  端到端的学习模型
  习题
参考文献