《推荐系统》+《推荐系统实践》
《《推荐系统》+《推荐系统实践》》
基本信息
作者: (奥地利)Dietmar Jannach Markus Zanker Alexander Felfernig Gerhard Friedrich 项亮
译者: 蒋凡
出版社:人民邮电出版社
ISBN:9787
上架时间:2013-6-19
出版日期:2013 年6月
开本:16开
页码:1
版次:1-1
所属分类:计算机 > 软件工程及软件方法学 > 软件项目管理
![](//img-blog.csdn.net/20130624173012375?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvY2hpbmFwdWJfMjAwOQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
更多关于 》》》《《推荐系统》+《推荐系统实践》》
内容简介
计算机书籍
《推荐系统》全面阐述了开发最先进推荐系统的方法,其中呈现了许多经典算法,并讨论了如何衡量推荐系统的有效性。书中内容分为基本概念和最新进展两部分:前者涉及协同推荐、基于内容的推荐、基于知识的推荐、混合推荐方法,推荐系统的解释、评估推荐系统和实例分析;后者包括针对推荐系统的攻击、在线消费决策、推荐系统和下一代互联网以及普适环境中的推荐。此外,本书还包含大量的图、表和示例,有助于读者理解和把握相关知识。
《推荐系统》适用于从事搜索引擎、推荐算法、数据挖掘等研发工作的专业人员以及对推荐系统感兴趣的读者。
《推荐系统实践》通过大量代码和图表全面系统地阐述了和推荐系统有关的理论基础,介绍了评价推荐系统优劣的各种标准(比如覆盖率、满意度)和方法(比如ab 测试),总结了当今互联网领域中各种和推荐有关的产品和服务。另外,本书为有兴趣开发推荐系统的读者给出了设计和实现推荐系统的方法与技巧,并解答了在真实场景中应用推荐技术时最常遇到的一些问题。
《推荐系统实践》适合对推荐技术感兴趣的读者学习参考。
目录
《推荐系统》
第1章 引言 1
1.1 第一部分:基本概念 2
1.1.1 协同过滤推荐 2
1.1.2 基于内容的推荐 2
1.1.3 基于知识的推荐 3
1.1.4 混合推荐方法 4
1.1.5 推荐系统的解释 4
1.1.6 评估推荐系统 4
1.1.7 案例研究 5
1.2 第二部分:最新进展 5
第一部分 基本概念
第2章 协同过滤推荐 8
2.1 基于用户的最近邻推荐 8
2.1.1 第一个例子 8
2.1.2 更好的相似度和赋权体系 10
2.1.3 选择近邻 11
2.2 基于物品的最近邻推荐 11
2.2.1 余弦相似度度量 12
2.2.2 基于物品过滤的数据预处理 13
..2.3 关于评分 14
2.3.1 隐式和显式评分 14
2.3.2 数据稀疏和冷启动问题 15
2.4 更多基于模型和预处理的方法 16
2.4.1 矩阵因子分解 17
2.4.2 关联规则挖掘 20
2.4.3 基于概率分析的推荐方法 22
2.5 近来实际的方法和系统 25
2.5.1 slope one预测器 26
2.5.2 google新闻个性化推荐引擎 28
2.6 讨论和小结 30
2.7 书目注释 31
第3章 基于内容的推荐 32
3.1 内容表示和相似度 33
3.1.1 向量空间模型和tf-idf 34
3.1.2 向量空间模型的改进及局限 35
3.2 基于内容相似度检索 36
3.2.1 最近邻 36
3.2.2 相关性反馈——rocchio方法 37
3.3 其他文本分类方法 40
3.3.1 基于概率模型的方法 40
3.3.2 其他线性分类器和机器学习 43
3.3.3 显式决策模型 44
3.3.4 特征选择 45
3.4 讨论 47
3.4.1 对比评估 47
3.4.2 局限 47
3.5 小结 48
3.6 书目注释 49
第4章 基于知识的推荐 51
4.1 介绍 51
4.2 知识表示法和推理 52
4.2.1 约束 52
4.2.2 实例与相似度 54
4.3 与基于约束推荐系统交互 55
4.3.1 默认设置 55
4.3.2 处理不满意的需求和空结果集 57
4.3.3 提出对未满足需求的修改建议 61
4.3.4 对基于物品/效用推荐结果的排序 61
4.4 与基于实例的推荐系统交互 64
4.4.1 评价 65
4.4.2 混合评价 67
4.4.3 动态评价 67
4.4.4 高级的物品推荐方法 70
4.4.5 评价多样性 71
4.5 应用实例 72
4.5.1 vita——基于约束的推荐系统 72
4.5.2 entree——基于实例的推荐系统 77
4.6 书目注释 79
第5章 混合推荐方法 80
5.1 混合推荐的时机 81
5.1.1 推荐理论框架 81
5.1.2 混合设计 82
5.2 整体式混合设计 83
5.2.1 特征组合的混合方案 84
5.2.2 特征补充的混合方案 85
5.3 并行式混合设计 87
5.3.1 交叉式混合 87
5.3.2 加权式混合 88
5.3.3 切换式混合 89
5.4 流水线混合设计 90
5.4.1 串联混合 90
5.4.2 分级混合 91
5.5 讨论和小结 92
5.6 书目注释 92
第6章 推荐系统的解释 94
6.1 介绍 94
6.2 基于约束的推荐系统中的解释 96
6.2.1 实例 97
6.2.2 通过推导生成解释 99
6.2.3 可靠解释的分析与概述 100
6.2.4 可靠解释 102
6.3 基于实例推荐系统的解释 103
6.4 协同过滤推荐系统的解释 106
6.5 小结 108
第7章 评估推荐系统 109
7.1 介绍 109
7.2 评估研究的一般特性 110
7.2.1 总论 110
7.2.2 评估方案的实验对象 111
7.2.3 研究方法 113
7.2.4 评估环境 115
7.3 主流推荐方案 115
7.4 历史数据集评估 116
7.4.1 方法论 116
7.4.2 衡量标准 117
7.4.3 结果的分析 121
7.5 其他评估方案 121
7.5.1 实验性研究方案 122
7.5.2 准实验研究方案 122
7.5.3 非实验研究方案 123
7.6 小结 123
7.7 书目注释 124
第8章 案例分析:移动互联网个性化游戏推荐 125
8.1 应用与个性化概述 126
8.2 算法和评级 128
8.3 评估 128
8.3.1 测量1:我的推荐 129
8.3.2 测量2:售后推荐 131
8.3.3 测量3:起始页推荐 133
8.3.4 测量4:演示版下载的整体效果 135
8.3.5 测量5:整体效果 136
8.4 小结与结论 138
第二部分 最新进展
第9章 针对协同推荐系统的攻击 140
9.1 第一个例子 141
9.2 攻击维度 141
9.3 攻击类型 142
9.3.1 随机攻击 142
9.3.2 均值攻击 143
9.3.3 造势攻击 143
9.3.4 局部攻击 143
9.3.5 针对性的打压攻击 144
9.3.6 点击流攻击和隐式反馈 144
9.4 效果评估和对策 145
9.4.1 推举攻击 145
9.4.2 打压攻击 146
9.5 对策 146
9.6 隐私方面——分布式协同过滤 148
9.6.1 集中方法:数据扰动 149
9.6.2 分布式协同过滤 150
9.7 讨论 153
第10章 在线消费决策 155
10.1 介绍 155
10.2 环境效应 156
10.3 首位/新近效应 159
10.4 其他效应 160
10.5 个人和社会心理学 161
10.6 书目注释 167
第11章 推荐系统和下一代互联网 168
11.1 基于信任网络的推荐系统 169
11.1.1 利用显式的信任网络 169
11.1.2 信任度度量方法和效果 171
11.1.3 相关方法和近期进展 172
11.2 大众分类法及其他 174
11.2.1 基于大众分类法的推荐 174
11.2.2 推荐标签 181
11.2.3 在分享媒体中推荐内容 183
11.3 本体过滤 185
11.3.1 通过分类改进过滤 185
11.3.2 通过属性改进过滤 188
11.4 从网络抽取语义 189
11.5 小结 191
第12章 普适环境中的推荐 192
12.1 介绍 192
12.2 上下文感知推荐 193
12.3 应用领域 195
12.4 小结 197
第13章 总结和展望 198
13.1 总结 198
13.2 展望 198
参考文献 201
索引 223
《推荐系统实践》
第1章 好的推荐系统 1
1.1 什么是推荐系统 1
1.2 个性化推荐系统的应用 4
1.2.1 电子商务 4
1.2.2 电影和视频网站 8
1.2.3 个性化音乐网络电台 10
1.2.4 社交网络 12
1.2.5 个性化阅读 15
1.2.6 基于位置的服务 16
1.2.7 个性化邮件 17
1.2.8 个性化广告 18
1.3 推荐系统评测 19
1.3.1 推荐系统实验方法 20
1.3.2 评测指标 23
1.3.3 评测维度 34
第2章 利用用户行为数据 35
2.1 用户行为数据简介 36
2.2 用户行为分析 39
2.2.1 用户活跃度和物品流行度的分布 39
.2.2.2 用户活跃度和物品流行度的关系 41
2.3 实验设计和算法评测 41
2.3.1 数据集 42
2.3.2 实验设计 42
2.3.3 评测指标 42
2.4 基于邻域的算法 44
2.4.1 基于用户的协同过滤算法 44
2.4.2 基于物品的协同过滤算法 51
2.4.3 usercf和itemcf的综合比较 59
2.5 隐语义模型 64
2.5.1 基础算法 64
2.5.2 基于lfm的实际系统的例子 70
2.5.3 lfm和基于邻域的方法的比较 72
2.6 基于图的模型 73
2.6.1 用户行为数据的二分图表示 73
2.6.2 基于图的推荐算法 73
第3章 推荐系统冷启动问题 78
3.1 冷启动问题简介 78
3.2 利用用户注册信息 79
3.3 选择合适的物品启动用户的兴趣 85
3.4 利用物品的内容信息 89
3.5 发挥专家的作用 94
第4章 利用用户标签数据 96
4.1 ugc标签系统的代表应用 97
4.1.1 delicious 97
4.1.2 citeulike 98
4.1.3 last.fm 98
4.1.4 豆瓣 99
4.1.5 hulu 99
4.2 标签系统中的推荐问题 100
4.2.1 用户为什么进行标注 100
4.2.2 用户如何打标签 101
4.2.3 用户打什么样的标签 102
4.3 基于标签的推荐系统 103
4.3.1 实验设置 104
4.3.2 一个最简单的算法 105
4.3.3 算法的改进 107
4.3.4 基于图的推荐算法 110
4.3.5 基于标签的推荐解释 112
4.4 给用户推荐标签 115
4.4.1 为什么要给用户推荐标签 115
4.4.2 如何给用户推荐标签 115
4.4.3 实验设置 116
4.4.4 基于图的标签推荐算法 119
4.5 扩展阅读 119
第5章 利用上下文信息 121
5.1 时间上下文信息 122
5.1.1 时间效应简介 122
5.1.2 时间效应举例 123
5.1.3 系统时间特性的分析 125
5.1.4 推荐系统的实时性 127
5.1.5 推荐算法的时间多样性 128
5.1.6 时间上下文推荐算法 130
5.1.7 时间段图模型 134
5.1.8 离线实验 136
5.2 地点上下文信息 139
5.3 扩展阅读 143
第6章 利用社交网络数据 144
6.1 获取社交网络数据的途径 144
6.1.1 电子邮件 145
6.1.2 用户注册信息 146
6.1.3 用户的位置数据 146
6.1.4 论坛和讨论组 146
6.1.5 即时聊天工具 147
6.1.6 社交网站 147
6.2 社交网络数据简介 148
社交网络数据中的长尾分布 149
6.3 基于社交网络的推荐 150
6.3.1 基于邻域的社会化推荐算法 151
6.3.2 基于图的社会化推荐算法 152
6.3.3 实际系统中的社会化推荐算法 153
6.3.4 社会化推荐系统和协同过滤推荐系统 155
6.3.5 信息流推荐 156
6.4 给用户推荐好友 159
6.4.1 基于内容的匹配 161
6.4.2 基于共同兴趣的好友推荐 161
6.4.3 基于社交网络图的好友推荐 161
6.4.4 基于用户调查的好友推荐算法对比 164
6.5 扩展阅读 165
第7章 推荐系统实例 166
7.1 外围架构 166
7.2 推荐系统架构 167
7.3 推荐引擎的架构 171
7.3.1 生成用户特征向量 172
7.3.2 特征?物品相关推荐 173
7.3.3 过滤模块 174
7.3.4 排名模块 174
7.4 扩展阅读 178
第8章 评分预测问题 179
8.1 离线实验方法 180
8.2 评分预测算法 180
8.2.1 平均值 180
8.2.2 基于邻域的方法 184
8.2.3 隐语义模型与矩阵分解模型 186
8.2.4 加入时间信息 192
8.2.5 模型融合 193
8.2.6 netflix prize的相关实验结果 195
后记 196
china-pub网上书店满48元即刻享受免运费