推荐系统 技术、评估及高效算法 PDF

资源名称：推荐系统 技术、评估及高效算法 PDF

作者简介：

弗朗西斯科·里奇（Francesco Ricci），意大利博尔扎诺自由大学计算机科学副教授。目前他的研究兴趣包括推荐系统、智能接口、移动系统、机器学习、案例推理、信息和通信技术在旅游中的应用。他是《Journal of Information Technology and Tourism》杂志的编委，还是ACM和IEEE会员。他还是ACM会议推荐系统分会的指导委员会成员。

利奥·罗卡奇（Lior Rokach），以色列本-古里安大学信息系统工程系助理教授。他是智能信息系统方面公认的专家，在这一领域处于世界领先地位。他的主要研究领域包括数据挖掘、模式识别和推荐系统。他的70篇论文被主流期刊、会议和书籍等引用。

布拉哈·夏皮拉（Bracha Shapira），以色列本-古里安大学信息系统工程系助理教授。目前她的研究兴趣包括推荐系统、信息检索、个性化、用户建模和社交网络。她是本-古里安大学德国电信实验室研究项目负责人，并且还是ACM和IEEE会员。

保罗 B. 坎特（Paul Kantor），罗格斯大学通信与信息学院情报学教授，兼任计算机科学系和RUTCOR中心运筹学教授。目前他的研究兴趣包括协作信息发现、文本分类、文本或图像索引和检索。他是美国科学促进会会士，ACM、IEEE和ASIST会员。他的研究得到了美国NSF和国土安全部等机构的支持。

资源目录：

推荐序一

推荐序二

译者序

前言

第1章 概述 1

1.1 简介 1

1.2 推荐系统的功能 3

1.3 数据和知识资源 5

1.4 推荐技术 7

1.5 应用与评价 10

1.6 推荐系统与人机交互 12

1.6.1 信任、解释和说服力 13

1.6.2 会话系统 13

1.6.3 可视化 14

1.7 推荐系统是个交叉学科领域 15

1.8 出现的问题和挑战 16

1.8.1 本书对出现的问题的讨论 16

1.8.2 挑战 18

参考文献 20

第一部分 基础技术

第2章 推荐系统中的数据挖掘方法 28

2.1 简介 28

2.2 数据预处理 29

2.2.1 相似度度量方法 29

2.2.2 抽样 30

2.2.3 降维 31

2.2.4 去噪 33

2.3 分类 34

2.3.1 最近邻 34

2.3.2 决策树 35

2.3.3 基于规则的分类 36

2.3.4 贝叶斯分类器 36

2.3.5 人工神经网络 38

2.3.6 支持向量机 39

2.3.7 分类器的集成 40

2.3.8 评估分类器 41

2.4 聚类分析 42

2.4.1 k-means 43

2.4.2 改进的k-means 44

2.5 关联规则挖掘 44

2.6 总结 46

致谢 47

参考文献 47

第3章 基于内容的推荐系统：前沿和趋势 51

3.1 简介 51

3.2 基于内容的推荐系统的基础 52

3.2.1 基于内容的推荐系统的高层次结构 52

3.2.2 基于内容过滤的优缺点 54

3.3 基于内容的推荐系统的现状 55

3.3.1 物品表示 56

3.3.2 学习用户特征的方法 62

3.4 趋势和未来研究 65

3.4.1 推荐过程中用户产生内容的作用 65

3.4.2 超越特化：惊喜度 66

3.5 总结 68

参考文献 68

第4章 基于近邻推荐方法综述 74

4.1 简介 74

4.1.1 问题公式化定义 75

4.1.2 推荐方法概要 76

4.1.3 基于近邻方法的优势 77

4.1.4 目标和概要 78

4.2 基于近邻推荐 78

4.2.1 基于用户评分 79

4.2.2 基于用户分类 80

4.2.3 回归与分类 80

4.2.4 基于物品推荐 81

4.2.5 基于用户和基于物品推荐的对比 81

4.3 近邻方法的要素 83

4.3.1 评分标准化 83

4.3.2 相似度权重计算 85

4.3.3 近邻的选择 89

4.4 高级进阶技术 90

4.4.1 降维方法 90

4.4.2 基于图方法 92

4.5 总结 95

参考文献 96

第5章 协同过滤算法的高级课题100 5. 1

简介 100

5.2 预备知识 101

5.2.1 基准预测 102

5.2.2 Netflix数据 103

5.2.3 隐式反馈 103

5.3 因子分解模型 104

5.3.1 SVD 104

5.3.2 SVD++ 105

5.3.3 时间敏感的因子模型 106

5.3.4 比较 111

5.3.5 总结 112

5.4 基于邻域的模型 112

5.4.1 相似度度量 113

5.4.2 基于相似度的插值 113

5.4.3 联合派生插值权重 115

5.4.4 总结 117

5.5 增强的基于邻域的模型 117

5.5.1 全局化的邻域模型 118

5.5.2 因式分解的邻域模型 122

5.5.3 基于邻域的模型的动态时序 126

5.5.4 总结 127

5.6 基于邻域的模型和因子分解模型的比较 127

参考文献 129

第6章 开发基于约束的推荐系统 131

6.1 简介 131

6.2 推荐知识库的开发 133

6.3 推荐过程中的用户导向 137

6.4 计算推荐结果 142

6.5 项目和案例研究的经验 143

6.6 未来的研究方法 144

6.7 总结 147

参考文献 147

第7章 情境感知推荐系统 151

7.1 简介 151

7.2 推荐系统中的情境 152

7.2.1 什么是情境 152

7.2.2 在推荐系统实现情境信息的建模 155

7.2.3 获取情境信息 158

7.3 结合情境的推荐系统形式 159

7.3.1 情境预过滤 161

7.3.2 情境后过滤 163

7.3.3 情境建模 164

7.4 多种方法结合 167

7.4.1 组合预过滤器案例研究：算法 168

7.4.2 组合预过滤器案例研究：实验结果 168

7.5 情境感知推荐系统的其他问题 170

7.6 总结 171

致谢 171

参考文献 172

第二部分 推荐系统的应用与评估

第8章 推荐系统评估 176

8.1 简介 176

8.2 实验设置 177

8.2.1 离线实验 178

8.2.2 用户调查 180

8.2.3 在线评估 182

8.2.4 得出可靠结论 182

8.3 推荐系统属性 185

8.3.1 用户偏好 185

8.3.2 预测准确度 186

8.3.3 覆盖率 191

8.3.4 置信度 192

8.3.5 信任度 193

8.3.6 新颖度 194

8.3.7 惊喜度 195

8.3.8 多样性 195

8.3.9 效用 196

8.3.10 风险 197

8.3.11 健壮性 197

8.3.12 隐私 198

8.3.13 适应性 198

8.3.14 可扩展性 199

8.4 总结 199

参考文献 199

第9章 IPTV服务提供商推荐系统：一个大规模真实产品环境的应用203 9.1 简介 203

9.2 IPTV架构 204

9.3 推荐系统架构 206

9.3.1 数据搜集 206

9.3.2 批处理和实时阶段 207

9.4 推荐算法 208

9.4.1 推荐算法概述 209

9.4.2 基于内容隐语义分析算法 210

9.4.3 基于物品的协同过滤算法 213

9.4.4 基于降维的协同过滤算法 214

9.5 推荐服务 215

9.6 系统评价 216

9.6.1 离线分析 218

9.6.2 在线分析 220

9.7 总结 223

参考文献 223

第10章 走出实验室的推荐系统 225

10.1 简介 225

10.2 设计现实环境中的推荐系统 225

10.3 理解推荐系统的环境 226

10.3.1 应用模型 226

10.3.2 用户建模 230

10.3.3 数据模型 233

10.3.4 一个使用环境模型的方法 235

10.4 在迭代设计过程中理解推荐验证步骤 236

10.4.1 算法的验证 236

10.4.2 推荐结果的验证 237

10.5 应用实例：一个语义新闻推荐系统 240

10.5.1 背景：MESH工程 240

10.5.2 MESH的环境模型 240

10.5.3 实践：模型的迭代实例化 243

10.6 总结 244

参考文献 244

第11章 匹配推荐系统的技术与领域 247

11.1 简介 247

11.2 相关工作 247

11.3 知识源 248

11.4 领域 250

11.4.1 异构性 250

11.4.2 风险性 251

11.4.3 变动性 251

11.4.4 交互风格 251

11.4.5 偏好稳定性 251

11.4.6 可理解性 252

11.5 知识源 252

11.5.1 社群知识 252

11.5.2 个人知识 253

11.5.3 基于内容的知识 253

11.6 从领域到技术 254

11.6.1 算法 255

11.6.2 抽样推荐领域 256

11.7 总结 257

致谢 257

参考文献 257

第12章 用于技术强化学习的推荐系统 261

12.1 简介 261

12.2 背景 262

12.2.1 TEL作为上下文 262

12.2.2 TEL推荐的目标 263

12.3 相关工作 264

12.3.1 自适应教育超媒体 264

12.3.2 学习网络 265

12.3.3 相同点与不同点 267

12.4 TEL推荐系统调查 268

12.5 TEL推荐系统的评估 271

12.5.1 对组件的评估 272

12.5.2 评估TEL推荐系统时需要考虑的问题 273

12.6 总结与展望 274

致谢 274

参考文献 275

第三部分 推荐系统的影响

第13章 基于评价推荐系统的进展 282

13.1 简介 282

13.2 早期：评价系统/已得益处 282

13.3 评价系统的表述与检索挑战 283

13.3.1 评价表述的方式 283

13.3.2 基于评价的推荐系统中的检索挑战 289

13.4 评价平台中的交互研究 293

13.4.1 扩展到其他评价平台 294

13.4.2 用户直接操作与限制用户控制的比较 295

13.4.3 支持性解释、置信和信任 296

13.4.4 可视化、自适应性和分区动态性 297

13.4.5 关于多文化的适用性的差异 298

13.5 评价的评估：资源、方法和标准 298

13.5.1 资源和方法 298

13.5.2 评估标准 299

13.6 总结与展望 300

参考文献 301

第14章 构建更值得信任和具有说服力的推荐系统：特性对评估推荐系统的影响 305

14.1 简介 305

14.2 推荐系统作为社交角色 306

14.3 来源可信度 306

14.3.1 可信度 306

14.3.2 专业能力 307

14.3.3 对来源可信度的影响 307

14.4 人际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 权威的象征 308

14.4.4 演讲的风格 308

14.4.5 外在吸引力 308

14.4.6 幽默 309

14.5 人机交互中的特性 309

14.6 用户与推荐系统交互的特性 309

14.6.1 推荐系统类型 310

14.6.2 输入特性 310

14.6.3 过程特性 311

14.6.4 输出特性 311

14.6.5 内嵌的智能体特性 312

14.7 讨论 312

14.8 影响 313

14.9 未来研究方向 314

参考文献 314

第15章 设计和评估推荐系统的解释 321

15.1 简介 321

15.2 指引 322

15.3 专家系统的说明 322

15.4 定义的目标 322

15.4.1 系统如何工作:透明性 324

15.4.2 允许用户告诉系统它是错误的：被理解 324

15.4.3 增加用户对系统上的信任：信任度 325

15.4.4 说服用户尝试或购买：说服力 326

15.4.5 帮助用户充分地决策：有效性 327

15.4.6 帮助用户快速制定决策：效率 328

15.4.7 使系统的应用愉悦：满意度 328

15.5 评估解释在推荐系统的作用 329

15.5.1 精准度 329

15.5.2 学习效率 329

15.5.3 覆盖度 330

15.5.4 接受度 330

15.6 用推荐设计展示与互动 330

15.6.1 展示推荐 330

15.6.2 与推荐系统交互 331

15.7 解释风格 332

15.7.1 基于协同风格 333

15.7.2 基于内容风格 334

15.7.3 基于案例风格 334

15.7.4 基于知识/自然语言风格 335

15.7.5 基于人口统计风格 335

15.8 总结与展望 336

参考文献 337

第16章 基于实例评价研究的产品推荐系统的可用性准则 340

16.1 简介 340

16.2 预备知识 341

16.2.1 交互模型 341

16.2.2 基于效用的推荐系统 342

16.2.3 准确率、信任度和代价的框架 344

16.2.4 本章结构 344

16.3 相关工作 345

16.3.1 推荐系统分类 345

16.3.2 基于评分的推荐系统 345

16.3.3 基于案例的推荐系统 345

16.3.4 基于效用的推荐系统 345

16.3.5 基于评价的推荐系统 346

16.3.6 其他设计指导准则 346

16.4 初始偏好提取 347

16.5 通过实例激励用户表示偏好 349

16.5.1 需要多少实例 350

16.5.2 需要哪些实例 350

16.6 偏好修正 352

16.6.1 偏好冲突和部分满足 352

16.6.2 权衡辅助 353

16.7 展示策略 354

16.7.1 一次推荐一项物品 354

16.7.2 推荐k项最匹配的物品 355

16.7.3 解释界面 355

16.8 准则验证模型 357

16.9 总结 359

参考文献 359

第17章 基于示意图的产品目录可视化 363

17.1 简介 363

17.2 基于图的可视化方法 364

17.2.1 自组织映射 364

17.2.2 树图 365

17.2.3 多维缩放 366

17.2.4 非线性主成分分析 367

17.3 产品目录图 367

17.3.1 多维缩放 368

17.3.2 非线性主成分分析 369

17.4 通过点击流分析决定属性权重 370

17.4.1 泊松回归模型 370

17.4.2 处理缺失值 371

17.4.3 使用泊松回归选择权值 371

17.4.4 阶梯式泊松回归模型 371

17.5 图像购物界面 372

17.6 电子商务应用 373

17.6.1 使用属性权值的基于MDS的产品目录图 373

17.6.2 基于NL-PCA的产品目录图 375

17.6.3 图像购物界面 377

17.7 总结与展望 379

致谢 380

参考文献 380

第四部分 推荐系统与群体

第18章 个性化Web搜索中的群体、协作与推荐系统 384

18.1 简介 384

18.2 网络搜索历史简介 385

18.3 网络搜索的未来 387

18.3.1 个性化网络搜索 387

18.3.2 协同信息检索 390

18.3.3 向社交搜索前进 392

18.4 案例研究1：基于群体的网络搜索 392

18.4.1 搜索群体中的重复性和规律性 392

18.4.2 协同网络搜索系统 393

18.4.3 评估 395

18.4.4 讨论 396

18.5 案例研究2：网络搜索共享 396

18.5.1 HeyStaks系统 397

18.5.2 HeyStaks推荐引擎 399

18.5.3 评估 400

18.5.4 讨论 402

18.6 总结 402

致谢 403

参考文献 403

第19章 社会化标签推荐系统 409

19.1 简介 409

19.2 社会化标签推荐系统 410

19.2.1 大众分类法 410

19.2.2 传统推荐系统范式 411

19.2.3 多模式推荐 412

19.3 现实社会化标签推荐系统 413

19.3.1 有哪些挑战 413

19.3.2 案例BibSonomy 413

19.3.3 标签获取 415

19.4 社会化标签系统的推荐算法 416

19.4.1 协同过滤 416

19.4.2 基于排序的推荐 418

19.4.3 基于内容的社会化标签推荐系统 421

19.4.4 评估方案和评估度量 423

19.5 算法比较 424

19.6 总结与展望 426

参考文献 427

第20章 信任和推荐 430

20.1 简介 430

20.2 信任的表示与计算 431

20.2.1 信任表示 431

20.2.2 信任计算 433

20.3 信任增强推荐系统 436

20.3.1 动机 436

20.3.2 进展 437

20.3.3 实验比较 441

20.4 进展和开放性挑战 445

20.5 总结 446

参考文献 446

第21章 组推荐系统 449

21.1 简介 449

21.2 应用场景和群组推荐系统分类 450

21.2.1 交互式电视 450

21.2.2 环绕智能 450

21.2.3 基于场景的推荐系统 451

21.2.4 基于分类的群组推荐 451

21.3 合并策略 452

21.3.1 合并策略概览 452

21.3.2 合并策略在相关工作中的应用 453

21.3.3 哪种策略效果最好 454

21.4 序列顺序的影响 455

21.5 对情感状态建模 456

21.5.1 对个人的满意度进行建模 457

21.5.2 个人满意度对群组的影响 458

21.6 情感状态在合并策略中的使用 459

21.7 对单个用户进行组推荐 460

21.7.1 多准则 460

21.7.2 冷启动问题 461

21.7.3 虚拟组成员 462

21.8 总结与挑战 462

21.8.1 提出的主要问题 463

21.8.2 警告：组建模 463

21.8.3 面临的挑战 464

致谢 464

参考文献 465

第五部分 高级算法

第22章 推荐系统中的偏好聚合468 22.1 简介 468

22.2 推荐系统中的聚合类型 468

22.2.1 协同过滤中的偏好聚合 470

22.2.2 CB与UB推荐中的特性聚合 470

22.2.3 CB与UB的配置文件构建 470

22.2.4 物品和用户相似度以及邻居的形成 471

22.2.5 基于实例推理的连接词在推荐系统中的应用 472

22.2.6 加权混合系统 472

22.3 聚合函数概论 472

22.3.1 定义和属性 472

22.3.2 聚合成员 475

22.4 聚合函数的构建 479

22.4.1 数据收集和处理 479

22.4.2 期望属性、语义、解释 480

22.4.3 函数表现的复杂度及其理解 481

22.4.4 权重和参数的确定 482

22.5 推荐系统中的复杂聚合过程:为特定应用定制 482

22.6 总结 485

22.7 进阶阅读 485

致谢 486

参考文献 486

第23章 推荐系统中的主动学习 488

23.1 简介 488

23.1.1 推荐系统中主动学习的目标 489

23.1.2 例证 490

23.1.3 主动学习的类型 490

23.2 数据集的属性 491

23.3 主动学习在推荐系统中的应用 492

23.4 主动学习公式 493

23.5 基于不确定性的主动学习 495

23.5.1 输出不确定性 495

23.5.2 决策边界不确定性 496

23.5.3 模型不确定性 497

23.6 基于误差的主动学习 498

23.6.1 基于实例的方法 498

23.6.2 基于模型的方法 500

23.7 基于组合的主动学习 501

23.7.1 基于模型的方法 501

23.7.2 基于候选的方法 502

23.8 基于会话的主动学习 504

23.8.1 基于实例的评论 504

23.8.2 基于多样性的方法 504

23.8.3 基于查询编辑的方法 505

23.9 计算因素考虑 505

23.10 总结 505

致谢 506

参考文献 506

第24章 多准则推荐系统 510

24.1 简介 510

24.2 推荐作为多准则决策问题 511

24.2.1 决策目标 512

24.2.2 准则簇 512

24.2.3 全局偏好模型 513

24.2.4 决策支持流程 513

24.3 推荐系统的MCDM框架:经验教训 515

24.4 多准则评分推荐 517

24.4.1 传统的单值评分推荐问题 517

24.4.2 引入多准则评分来扩展传统推荐系统 518

24.5 多准则评分推荐算法综述 519

24.5.1 预测中使用多准则评分 519

24.5.2 推荐中使用多准则评分 524

24.6 讨论及未来工作 526

24.7 总结 527

致谢 528

参考文献 528

第25章 具有健壮性的协同推荐 533

25.1 简介 533

25.2 问题定义 534

25.3 攻击分类 536

25.3.1 基础攻击 536

25.3.2 非充分信息攻击 537

25.3.3 打压攻击模型 537

25.3.4 知情攻击模型 538

25.4 检测系统健壮性 539

25.4.1 评估矩阵 539

25.4.2 推举攻击 540

25.4.3 打压攻击 541

25.4.4 知情攻击 542

25.4.5 攻击效果 543

25.5 攻击检测 543

25.5.1 评估矩阵 544

25.5.2 单用户检测 544

25.5.3 用户组检测 545

25.5.4 检测结果 548

25.6 健壮的推荐算法 548

25.6.1 基于模型的推荐 548

25.6.2 健壮的矩阵分解算法 549

25.6.3 其他具有健壮性的推荐算法 549

25.6.4 影响力限制器和基于信誉的推荐 550

25.7 总结 550

致谢 551

参考文献 551

本书贡献者名单 554

翻译团队名单560

资源截图：