推薦系統：原理與實踐（簡體書）

本書介紹當前推薦系統領域中的經典方法。不僅詳細討論了各類方法，還對同類技術進行了歸納總結，這有助於讀者對當前推薦系統研究領域有全面的瞭解。書中提供了大量的例子和習題來幫助讀者深入理解和掌握相關技術。此外，本書還介紹了當前新的研究方向，為讀者進行推薦系統技術的研究提供參考。本書既可以作為計算機相關專業本科生和研究生的教材，也適合開發人員和研究人員閱讀。

目錄
Recommender Systems: The Textbook
出版者的話
譯者序
前言
致謝
作者簡介
第1章推薦系統概述
1.1引言
1.2推薦系統的目標
1.2.1推薦系統應用範圍
1.3推薦系統的基本模型
1.3.1協同過濾模型
1.3.2基於內容的推薦系統
1.3.3基於知識的推薦系統
1.3.4人口統計推薦系統
1.3.5混合集成的推薦系統
1.3.6對推薦系統的評價
1.4推薦系統領域特有的挑戰
1.4.1基於上下文的推薦系統
1.4.2時間敏感的推薦系統
1.4.3基於位置的推薦系統
1.4.4社交信息系統
1.5高級論題和應用
1.5.1推薦系統中的冷啟動問題
1.5.2抗攻擊推薦系統
1.5.3組推薦系統
1.5.4多標準推薦系統
1.5.5推薦系統中的主動學習
1.5.6推薦系統中的隱私問題
1.5.7應用領域
1.6小結
1.7相關工作
1.8習題
第2章基於近鄰的協同過濾
2.1引言
2.2評分矩陣的關鍵性質
2.3通過基於近鄰的方法預測評分
2.3.1基於用戶的近鄰模型
2.3.2基於物品的近鄰模型
2.3.3高效的實現和計算複雜度
2.3.4基於用戶的方法和基於物品的方法的比較
2.3.5基於近鄰方法的優劣勢
2.3.6基於用戶的方法和基於物品的方法的聯合
2.4聚類和基於近鄰的方法
2.5降維與近鄰方法
2.5.1處理偏差
2.6近鄰方法的回歸模型視角
2.6.1基於用戶的最近鄰回歸
2.6.2基於物品的最近鄰回歸
2.6.3基於用戶的方法和基於物品的方法的結合
2.6.4具有相似度權重的聯合插值
2.6.5稀疏線性模型
2.7基於近鄰方法的圖模型
2.7.1用戶物品圖
2.7.2用戶用戶圖
2.7.3物品物品圖
2.8小結
2.9相關工作
2.10習題
第3章基於模型的協同過濾
3.1引言
3.2決策和回歸樹
3.2.1將決策樹擴展到協同過濾
3.3基於規則的協同過濾
3.3.1將關聯規則用於協同過濾
3.3.2面向物品的模型與面向用戶的模型
3.4樸素貝葉斯協同過濾
3.4.1處理過擬合
3.4.2示例：使用貝葉斯方法處理二元評分
3.5將任意分類模型當作黑盒來處理
3.5.1示例：使用神經網絡作為黑盒分類器
3.6潛在因子模型
3.6.1潛在因子模型的幾何解釋
3.6.2潛在因子模型的低秩解釋
3.6.3基本矩陣分解原理
3.6.4無約束矩陣分解
3.6.5奇異值分解
3.6.6非負矩陣分解
3.6.7理解矩陣因子分解方法族
3.7集成因子分解和近鄰模型
3.7.1基準估計：非個性化偏倚中心模型
3.7.2模型的近鄰部分
3.7.3模型的潛在因子部分
3.7.4集成近鄰和潛在因子部分
3.7.5求解優化模型
3.7.6關於精度的一些觀察
3.7.7將潛在因子模型集成到任意模型
3.8小結
3.9相關工作
3.10習題
第4章基於內容的推薦系統
4.1引言
4.2基於內容的系統的基本組件
4.3預處理和特徵提取
4.3.1特徵提取
4.3.2特徵表示和清洗
4.3.3收集用戶的偏好
4.3.4監督特徵選擇和加權
4.4學習用戶畫像和過濾
4.4.1最近鄰分類
4.4.2與基於案例的推薦系統的關聯性
4.4.3貝葉斯分類器
4.4.4基於規則的分類器
4.4.5基於回歸的模型
4.4.6其他學習模型和比較概述
4.4.7基於內容的系統的解釋
4.5基於內容的推薦與協同推薦
4.6將基於內容的模型用於協同過濾
4.6.1利用用戶畫像
4.7小結
4.8相關工作
4.9習題
第5章基於知識的推薦系統
5.1引言
5.2基於約束的推薦系統
5.2.1返回相關結果
5.2.2交互方法
5.2.3排序匹配的物品
5.2.4處理不可接受的結果或空集
5.2.5添加約束
5.3基於案例的推薦系統
5.3.1相似性度量
5.3.2批評方法
5.3.3批評的解釋
5.4基於知識的系統的持久個性化
5.5小結
5.6相關工作
5.7習題
第6章基於集成的混合推薦系統
6.1引言
6.2從分類角度看集成方法
6.3加權型混合系統
6.3.1幾種模型組合的方法
6.3.2對分類中的bagging算法的調整
6.3.3隨機性注入算法
6.4切換型混合系統
6.4.1為解決冷啟動問題的切換機制
6.4.2桶模型
6.5級聯型混合系統
6.5.1推薦結果的逐步優化
6.5.2boosting算法
6.6特徵放大型混合系統
6.7元級型混合系統
6.8特徵組合型混合系統
6.8.1回歸分析和矩陣分解
6.8.2元級特徵
6.9交叉型混合系統
6.10小結
6.11相關工作
6.12習題
第7章推薦系統評估
7.1引言
7.2評估範例
7.2.1用戶調查
7.2.2在線評估
7.2.3使用歷史數據集進行離線評估
7.3評估設計的總體目標
7.3.1精確性
7.3.2覆蓋率
7.3.3置信度和信任度
7.3.4新穎度
7.3.5驚喜度
7.3.6多樣性
7.3.7健壯性和穩定性
7.3.8可擴展性
7.4離線推薦評估的設計要點
7.4.1Netflix Prize數據集的案例研究
7.4.2為訓練和測試分解評分
7.4.3與分類設計的比較
7.5離線評估的精確性指標
7.5.1度量預測評分的精確性
7.5.2通過相關性評估排名
7.5.3通過效用評估排名
7.5.4通過ROC曲線評估排名
7.5.5哪種排名方式最好
7.6評估指標的局限性
7.6.1避免評估遊戲
7.7小結
7.8相關工作
7.9習題
第8章上下文敏感的推薦系統
8.1引言
8.2多維方法
8.2.1層級的重要性
8.3上下文預過濾：一種基於降維的方法
8.3.1基於集成的改進
8.3.2多級別的估計
8.4後過濾方法
8.5上下文建模
8.5.1基於近鄰的方法
8.5.2潛在因子模型
8.5.3基於內容的模型
8.6小結
8.7相關工作
8.8習題
第9章時間與位