最新公告
  • 欢迎您光临小鹏博客,本站秉承服务宗旨 履行“站长”责任,销售只是起点 服务永无止境!立即加入我们
  • 正文概述
  • 评价建议
  • 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:

    1.png


    小鹏博客 » 推荐系统 技术、评估及高效算法 PDF

    常见问题FAQ

    免费下载或者VIP会员专享资源能否直接商用?
    本站所有资源版权均属于原作者所有,这里所提供资源均只能用于参考学习用,请勿直接商用。若由于商用引起版权纠纷,一切责任均由使用者承担。更多说明请参考 VIP介绍。
    提示下载完但解压或打开不了?
    最常见的情况是下载不完整: 可对比下载完压缩包的与网盘上的容量,若小于网盘提示的容量则是这个原因。这是浏览器下载的bug,建议用百度网盘软件或迅雷下载。若排除这种情况,可在对应资源底部留言,或 联络我们.。
    找不到素材资源介绍文章里的示例图片?
    对于PPT,KEY,Mockups,APP,网页模版等类型的素材,文章内用于介绍的图片通常并不包含在对应可供下载素材包内。这些相关商业图片需另外购买,且本站不负责(也没有办法)找到出处。 同样地一些字体文件也是这种情况,但部分素材会在素材包内有一份字体下载链接清单。

    发表评论

    售后服务:

    • 售后服务范围 1、商业模板使用范围内问题免费咨询
      2、源码安装、模板安装(一般 ¥50-300)服务答疑仅限SVIP用户
      3、单价超过200元的模板免费一次安装,需提供服务器信息。
      付费增值服务 1、提供dedecms模板、WordPress主题、discuz模板优化等服务请详询在线客服
      2、承接 WordPress、DedeCMS、Discuz 等系统建站、仿站、开发、定制等服务
      3、服务器环境配置(一般 ¥50-300)
      4、网站中毒处理(需额外付费,500元/次/质保三个月)
      售后服务时间 周一至周日(法定节假日除外) 9:00-23:00
      免责声明 本站所提供的模板(主题/插件)等资源仅供学习交流,若使用商业用途,请购买正版授权,否则产生的一切后果将由下载用户自行承担,有部分资源为网上收集或仿制而来,若模板侵犯了您的合法权益,请来信通知我们(Email: 80027422@qq.com),我们会及时删除,给您带来的不便,我们深表歉意!

    Hi, 如果你对这款模板有疑问,可以跟我联系哦!

    联系作者
    • 37会员总数(位)
    • 13499资源总数(个)
    • 0本周发布(个)
    • 0 今日发布(个)
    • 105稳定运行(天)

    小鹏博客XIAOPBK.COM一个高级程序员模板开发平台提供最优质的资源集合

    开通SVIP 客服QQ