推薦序一
推薦序二
譯者序
前言
第1章 概述 1
1.1 簡介 1
1.2 推薦係統的功能 3
1.3 數據和知識資源 5
1.4 推薦技術 7
1.5 應用與評價 10
1.6 推薦係統與人機交互 12
1.6.1 信任、解釋和說服力 13
1.6.2 會話係統 13
1.6.3 可視化 14
1.7 推薦係統是個交叉學科領域 15
1.8 齣現的問題和挑戰 16
1.8.1 本書對齣現的問題的討論 16
1.8.2 挑戰 18
參考文獻 20
第一部分 基礎技術
第2章 推薦係統中的數據挖掘方法 28
2.1 簡介 28
2.2 數據預處理 29
2.2.1 相似度度量方法 29
2.2.2 抽樣 30
2.2.3 降維 31
2.2.4 去噪 33
2.3 分類 34
2.3.1 最近鄰 34
2.3.2 決策樹 35
2.3.3 基於規則的分類 36
2.3.4 貝葉斯分類器 36
2.3.5 人工神經網絡 38
2.3.6 支持嚮量機 39
2.3.7 分類器的集成 40
2.3.8 評估分類器 41
2.4 聚類分析 42
2.4.1 k-means 43
2.4.2 改進的k-means 44
2.5 關聯規則挖掘 44
2.6 總結 46
緻謝 47
參考文獻 47
第3章 基於內容的推薦係統：前沿和趨勢 51
3.1 簡介 51
3.2 基於內容的推薦係統的基礎 52
3.2.1 基於內容的推薦係統的高層次結構 52
3.2.2 基於內容過濾的優缺點 54
3.3 基於內容的推薦係統的現狀 55
3.3.1 物品錶示 56
3.3.2 學習用戶特徵的方法 62
3.4 趨勢和未來研究 65
3.4.1 推薦過程中用戶産生內容的作用 65
3.4.2 超越特化：驚喜度 66
3.5 總結 68
參考文獻 68
第4章 基於近鄰推薦方法綜述 74
4.1 簡介 74
4.1.1 問題公式化定義 75
4.1.2 推薦方法概要 76
4.1.3 基於近鄰方法的優勢 77
4.1.4 目標和概要 78
4.2 基於近鄰推薦 78
4.2.1 基於用戶評分 79
4.2.2 基於用戶分類 80
4.2.3 迴歸與分類 80
4.2.4 基於物品推薦 81
4.2.5 基於用戶和基於物品推薦的對比 81
4.3 近鄰方法的要素 83
4.3.1 評分標準化 83
4.3.2 相似度權重計算 85
4.3.3 近鄰的選擇 89
4.4 高級進階技術 90
4.4.1 降維方法 90
4.4.2 基於圖方法 92
4.5 總結 95
參考文獻 96
第5章 協同過濾算法的高級課題100 5. 1
簡介 100
5.2 預備知識 101
5.2.1 基準預測 102
5.2.2 Netflix數據 103
5.2.3 隱式反饋 103
5.3 因子分解模型 104
5.3.1 SVD 104
5.3.2 SVD++ 105
5.3.3 時間敏感的因子模型 106
5.3.4 比較 111
5.3.5 總結 112
5.4 基於鄰域的模型 112
5.4.1 相似度度量 113
5.4.2 基於相似度的插值 113
5.4.3 聯閤派生插值權重 115
5.4.4 總結 117
5.5 增強的基於鄰域的模型 117
5.5.1 全局化的鄰域模型 118
5.5.2 因式分解的鄰域模型 122
5.5.3 基於鄰域的模型的動態時序 126
5.5.4 總結 127
5.6 基於鄰域的模型和因子分解模型的比較 127
參考文獻 129
第6章 開發基於約束的推薦係統 131
6.1 簡介 131
6.2 推薦知識庫的開發 133
6.3 推薦過程中的用戶導嚮 137
6.4 計算推薦結果 142
6.5 項目和案例研究的經驗 143
6.6 未來的研究方法 144
6.7 總結 147
參考文獻 147
第7章 情境感知推薦係統 151
7.1 簡介 151
7.2 推薦係統中的情境 152
7.2.1 什麼是情境 152
7.2.2 在推薦係統實現情境信息的建模 155
7.2.3 獲取情境信息 158
7.3 結閤情境的推薦係統形式 159
7.3.1 情境預過濾 161
7.3.2 情境後過濾 163
7.3.3 情境建模 164
7.4 多種方法結閤 167
7.4.1 組閤預過濾器案例研究：算法 168
7.4.2 組閤預過濾器案例研究：實驗結果 168
7.5 情境感知推薦係統的其他問題 170
7.6 總結 171
緻謝 171
參考文獻 172
第二部分 推薦係統的應用與評估
第8章 推薦係統評估 176
8.1 簡介 176
8.2 實驗設置 177
8.2.1 離綫實驗 178
8.2.2 用戶調查 180
8.2.3 在綫評估 182
8.2.4 得齣可靠結論 182
8.3 推薦係統屬性 185
8.3.1 用戶偏好 185
8.3.2 預測準確度 186
8.3.3 覆蓋率 191
8.3.4 置信度 192
8.3.5 信任度 193
8.3.6 新穎度 194
8.3.7 驚喜度 195
8.3.8 多樣性 195
8.3.9 效用 196
8.3.10 風險 197
8.3.11 健壯性 197
8.3.12 隱私 198
8.3.13 適應性 198
8.3.14 可擴展性 199
8.4 總結 199
參考文獻 199
第9章 IPTV服務提供商推薦係統：一個大規模真實産品環境的應用203 9.1 簡介 203
9.2 IPTV架構 204
9.3 推薦係統架構 206
9.3.1 數據搜集 206
9.3.2 批處理和實時階段 207
9.4 推薦算法 208
9.4.1 推薦算法概述 209
9.4.2 基於內容隱語義分析算法 210
9.4.3 基於物品的協同過濾算法 213
9.4.4 基於降維的協同過濾算法 214
9.5 推薦服務 215
9.6 係統評價 216
9.6.1 離綫分析 218
9.6.2 在綫分析 220
9.7 總結 223
參考文獻 223
第10章 走齣實驗室的推薦係統 225
10.1 簡介 225
10.2 設計現實環境中的推薦係統 225
10.3 理解推薦係統的環境 226
10.3.1 應用模型 226
10.3.2 用戶建模 230
10.3.3 數據模型 233
10.3.4 一個使用環境模型的方法 235
10.4 在迭代設計過程中理解推薦驗證步驟 236
10.4.1 算法的驗證 236
10.4.2 推薦結果的驗證 237
10.5 應用實例：一個語義新聞推薦係統 240
10.5.1 背景：MESH工程 240
10.5.2 MESH的環境模型 240
10.5.3 實踐：模型的迭代實例化 243
10.6 總結 244
參考文獻 244
第11章 匹配推薦係統的技術與領域 247
11.1 簡介 247
11.2 相關工作 247
11.3 知識源 248
11.4 領域 250
11.4.1 異構性 250
11.4.2 風險性 251
11.4.3 變動性 251
11.4.4 交互風格 251
11.4.5 偏好穩定性 251
11.4.6 可理解性 252
11.5 知識源 252
11.5.1 社群知識 252
11.5.2 個人知識 253
11.5.3 基於內容的知識 253
11.6 從領域到技術 254
11.6.1 算法 255
11.6.2 抽樣推薦領域 256
11.7 總結 257
緻謝 257
參考文獻 257
第12章 用於技術強化學習的推薦係統 261
12.1 簡介 261
12.2 背景 262
12.2.1 TEL作為上下文 262
12.2.2 TEL推薦的目標 263
12.3 相關工作 264
12.3.1 自適應教育超媒體 264
12.3.2 學習網絡 265
12.3.3 相同點與不同點 267
12.4 TEL推薦係統調查 268
12.5 TEL推薦係統的評估 271
12.5.1 對組件的評估 272
12.5.2 評估TEL推薦係統時需要考慮的問題 273
12.6 總結與展望 274
緻謝 274
參考文獻 275
第三部分 推薦係統的影響
第13章 基於評價推薦係統的進展 282
13.1 簡介 282
13.2 早期：評價係統/已得益處 282
13.3 評價係統的錶述與檢索挑戰 283
13.3.1 評價錶述的方式 283
13.3.2 基於評價的推薦係統中的檢索挑戰 289
13.4 評價平颱中的交互研究 293
13.4.1 擴展到其他評價平颱 294
13.4.2 用戶直接操作與限製用戶控製的比較 295
13.4.3 支持性解釋、置信和信任 296
13.4.4 可視化、自適應性和分區動態性 297
13.4.5 關於多文化的適用性的差異 298
13.5 評價的評估：資源、方法和標準 298
13.5.1 資源和方法 298
13.5.2 評估標準 299
13.6 總結與展望 300
參考文獻 301
第14章 構建更值得信任和具有說服力的推薦係統：特性對評估推薦係統的影響 305
14.1 簡介 305
14.2 推薦係統作為社交角色 306
14.3 來源可信度 306
14.3.1 可信度 306
14.3.2 專業能力 307
14.3.3 對來源可信度的影響 307
14.4 人際交互中信息特性的研究 307
14.4.1 相似度 307
14.4.2 喜好度 308
14.4.3 權威的象徵 308
14.4.4 演講的風格 308
14.4.5 外在吸引力 308
14.4.6 幽默 309
14.5 人機交互中的特性 309
14.6 用戶與推薦係統交互的特性 309
14.6.1 推薦係統類型 310
14.6.2 輸入特性 310
14.6.3 過程特性 311
14.6.4 輸齣特性 311
14.6.5 內嵌的智能體特性 312
14.7 討論 312
14.8 影響 313
14.9 未來研究方嚮 314
參考文獻 314
第15章 設計和評估推薦係統的解釋 321
15.1 簡介 321
15.2 指引 322
15.3 專傢係統的說明 322
15.4 定義的目標 322
15.4.1 係統如何工作:透明性 324
15.4.2 允許用戶告訴係統它是錯誤的：被理解 324
15.4.3 增加用戶對係統上的信任：信任度 325
15.4.4 說服用戶嘗試或購買：說服力 326
15.4.5 幫助用戶充分地決策：有效性 327
15.4.6 幫助用戶快速製定決策：效率 328
15.4.7 使係統的應用愉悅：滿意度 328
15.5 評估解釋在推薦係統的作用 329
15.5.1 精準度 329
15.5.2 學習效率 329
15.5.3 覆蓋度 330
15.5.4 接受度 330
15.6 用推薦設計展示與互動 330
15.6.1 展示推薦 330
15.6.2 與推薦係統交互 331
15.7 解釋風格 332
15.7.1 基於協同風格 333
15.7.2 基於內容風格 334
15.7.3 基於案例風格 334
15.7.4 基於知識/自然語言風格 335
15.7.5 基於人口統計風格 335
15.8 總結與展望 336
參考文獻 337
第16章 基於實例評價研究的産品推薦係統的可用性準則 340
16.1 簡介 340
16.2 預備知識 341
16.2.1 交互模型 341
16.2.2 基於效用的推薦係統 342
16.2.3 準確率、信任度和代價的框架 344
16.2.4 本章結構 344
16.3 相關工作 345
16.3.1 推薦係統分類 345
16.3.2 基於評分的推薦係統 345
16.3.3 基於案例的推薦係統 345
16.3.4 基於效用的推薦係統 345
16.3.5 基於評價的推薦係統 346
16.3.6 其他設計指導準則 346
16.4 初始偏好提取 347
16.5 通過實例激勵用戶錶示偏好 349
16.5.1 需要多少實例 350
16.5.2 需要哪些實例 350
16.6 偏好修正 352
16.6.1 偏好衝突和部分滿足 352
16.6.2 權衡輔助 353
16.7 展示策略 354
16.7.1 一次推薦一項物品 354
16.7.2 推薦k項最匹配的物品 355
16.7.3 解釋界麵 355
16.8 準則驗證模型 357
16.9 總結 359
參考文獻 359
第17章 基於示意圖的産品目錄可視化 363
17.1 簡介 363
17.2 基於圖的可視化方法 364
17.2.1 自組織映射 364
17.2.2 樹圖 365
17.2.3 多維縮放 366
17.2.4 非綫性主成分分析 367
17.3 産品目錄圖 367
17.3.1 多維縮放 368
17.3.2 非綫性主成分分析 369
17.4 通過點擊流分析決定屬性權重 370
17.4.1 泊鬆迴歸模型 370
17.4.2 處理缺失值 371
17.4.3 使用泊鬆迴歸選擇權值 371
17.4.4 階梯式泊鬆迴歸模型 371
17.5 圖像購物界麵 372
17.6 電子商務應用 373
17.6.1 使用屬性權值的基於MDS的産品目錄圖 373
17.6.2 基於NL-PCA的産品目錄圖 375
17.6.3 圖像購物界麵 377
17.7 總結與展望 379
緻謝 380
參考文獻 380
第四部分 推薦係統與群體
第18章 個性化Web搜索中的群體、協作與推薦係統 384
18.1 簡介 384
18.2 網絡搜索曆史簡介 385
18.3 網絡搜索的未來 387
18.3.1 個性化網絡搜索 387
18.3.2 協同信息檢索 390
18.3.3 嚮社交搜索前進 392
18.4 案例研究1：基於群體的網絡搜索 392
18.4.1 搜索群體中的重復性和規律性 392
18.4.2 協同網絡搜索係統 393
18.4.3 評估 395
18.4.4 討論 396
18.5 案例研究2：網絡搜索共享 396
18.5.1 HeyStaks係統 397
18.5.2 HeyStaks推薦引擎 399
18.5.3 評估 400
18.5.4 討論 402
18.6 總結 402
緻謝 403
參考文獻 403
第19章 社會化標簽推薦係統 409
19.1 簡介 409
19.2 社會化標簽推薦係統 410
19.2.1 大眾分類法 410
19.2.2 傳統推薦係統範式 411
19.2.3 多模式推薦 412
19.3 現實社會化標簽推薦係統 413
19.3.1 有哪些挑戰 413
19.3.2 案例BibSonomy 413
19.3.3 標簽獲取 415
19.4 社會化標簽係統的推薦算法 416
19.4.1 協同過濾 416
19.4.2 基於排序的推薦 418
19.4.3 基於內容的社會化標簽推薦係統 421
19.4.4 評估方案和評估度量 423
19.5 算法比較 424
19.6 總結與展望 426
參考文獻 427
第20章 信任和推薦 430
20.1 簡介 430
20.2 信任的錶示與計算 431
20.2.1 信任錶示 431
20.2.2 信任計算 433
20.3 信任增強推薦係統 436
20.3.1 動機 436
20.3.2 進展 437
20.3.3 實驗比較 441
20.4 進展和開放性挑戰 445
20.5 總結 446
參考文獻 446
第21章 組推薦係統 449
21.1 簡介 449
21.2 應用場景和群組推薦係統分類 450
21.2.1 交互式電視 450
21.2.2 環繞智能 450
21.2.3 基於場景的推薦係統 451
21.2.4 基於分類的群組推薦 451
21.3 閤並策略 452
21.3.1 閤並策略概覽 452
21.3.2 閤並策略在相關工作中的應用 453
21.3.3 哪種策略效果最好 454
21.4 序列順序的影響 455
21.5 對情感狀態建模 456
21.5.1 對個人的滿意度進行建模 457
21.5.2 個人滿意度對群組的影響 458
21.6 情感狀態在閤並策略中的使用 459
21.7 對單個用戶進行組推薦 460
21.7.1 多準則 460
21.7.2 冷啓動問題 461
21.7.3 虛擬組成員 462
21.8 總結與挑戰 462
21.8.1 提齣的主要問題 463
21.8.2 警告：組建模 463
21.8.3 麵臨的挑戰 464
緻謝 464
參考文獻 465
第五部分 高級算法
第22章 推薦係統中的偏好聚閤468 22.1 簡介 468
22.2 推薦係統中的聚閤類型 468
22.2.1 協同過濾中的偏好聚閤 470
22.2.2 CB與UB推薦中的特性聚閤 470
22.2.3 CB與UB的配置文件構建 470
22.2.4 物品和用戶相似度以及鄰居的形成 471
22.2.5 基於實例推理的連接詞在推薦係統中的應用 472
22.2.6 加權混閤係統 472
22.3 聚閤函數概論 472
22.3.1 定義和屬性 472
22.3.2 聚閤成員 475
22.4 聚閤函數的構建 479
22.4.1 數據收集和處理 479
22.4.2 期望屬性、語義、解釋 480
22.4.3 函數錶現的復雜度及其理解 481
22.4.4 權重和參數的確定 482
22.5 推薦係統中的復雜聚閤過程:為特定應用定製 482
22.6 總結 485
22.7 進階閱讀 485
緻謝 486
參考文獻 486
第23章 推薦係統中的主動學習 488
23.1 簡介 488
23.1.1 推薦係統中主動學習的目標 489
23.1.2 例證 490
23.1.3 主動學習的類型 490
23.2 數據集的屬性 491
23.3 主動學習在推薦係統中的應用 492
23.4 主動學習公式 493
23.5 基於不確定性的主動學習 495
23.5.1 輸齣不確定性 495
23.5.2 決策邊界不確定性 496
23.5.3 模型不確定性 497
23.6 基於誤差的主動學習 498
23.6.1 基於實例的方法 498
23.6.2 基於模型的方法 500
23.7 基於組閤的主動學習 501
23.7.1 基於模型的方法 501
23.7.2 基於候選的方法 502
23.8 基於會話的主動學習 504
23.8.1 基於實例的評論 504
23.8.2 基於多樣性的方法 504
23.8.3 基於查詢編輯的方法 505
23.9 計算因素考慮 505
23.10 總結 505
緻謝 506
參考文獻 506
第24章 多準則推薦係統 510
24.1 簡介 510
24.2 推薦作為多準則決策問題 511
24.2.1 決策目標 512
24.2.2 準則簇 512
24.2.3 全局偏好模型 513
24.2.4 決策支持流程 513
24.3 推薦係統的MCDM框架:經驗教訓 515
24.4 多準則評分推薦 517
24.4.1 傳統的單值評分推薦問題 517
24.4.2 引入多準則評分來擴展傳統推薦係統 518
24.5 多準則評分推薦算法綜述 519
24.5.1 預測中使用多準則評分 519
24.5.2 推薦中使用多準則評分 524
24.6 討論及未來工作 526
24.7 總結 527
緻謝 528
參考文獻 528
第25章 具有健壯性的協同推薦 533
25.1 簡介 533
25.2 問題定義 534
25.3 攻擊分類 536
25.3.1 基礎攻擊 536
25.3.2 非充分信息攻擊 537
25.3.3 打壓攻擊模型 537
25.3.4 知情攻擊模型 538
25.4 檢測係統健壯性 539
25.4.1 評估矩陣 539
25.4.2 推舉攻擊 540
25.4.3 打壓攻擊 541
25.4.4 知情攻擊 542
25.4.5 攻擊效果 543
25.5 攻擊檢測 543
25.5.1 評估矩陣 544
25.5.2 單用戶檢測 544
25.5.3 用戶組檢測 545
25.5.4 檢測結果 548
25.6 健壯的推薦算法 548
25.6.1 基於模型的推薦 548
25.6.2 健壯的矩陣分解算法 549
25.6.3 其他具有健壯性的推薦算法 549
25.6.4 影響力限製器和基於信譽的推薦 550
25.7 總結 550
緻謝 551
參考文獻 551
本書貢獻者名單 554
翻譯團隊名單560
· · · · · · (收起)