描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787030585967
产品特色
内容简介
本书梳理了推荐系统的知识体系及其现实挑战，尤其是数据稀疏和冷启动两个重要问题，给出解决这些问题的思考方向和解决思路，从基础的基于用户与物品反馈的协同过滤，到基于上下文信息的情景感知模型，一步步深入剖析推荐系统模型的设计理念、建模方法和实验评估等。同时，本书介绍了领先的开源推荐算法库LibRec，能够更好地帮助读者了解推荐算法的实现原理和评估过程，快速试用和比较不同算法的推荐性能，也可方便读者基于LibRec框架便捷地实现自己的研究算法。本书适合推荐系统领域的研究人员和工程实现人员参考使用。
目 录
目 录
第1章 推荐系统 1
1.1 推荐系统的简介 1
1.2 推荐系统的挑战 4
1.2.1 数据端的挑战 4
1.2.2 模型端的挑战 6
1.2.3 评估端的挑战 8
1.3 LibRec开源库 11
1.3.1 LibRec简介 11
1.3.2 LibRec框架 12
1.3.3 LibRec安装 20
1.4 协同过滤算法 22
1.4.1 基于内存的推荐算法 23
1.4.2 基于模型的推荐算法 31
1.4.3 推荐算法的测试评估 37
参考文献 43
第2章 用户反馈 44
2.1 传统评分反馈 44
2.1.1 相似度测量 44
2.1.2 贝叶斯相似度 47
2.1.3 相似度分析 53
2.1.4 实验评估 56
2.2 前置评分反馈 68
2.2.1 前置评分 69
2.2.2 用户调查 72
2.2.3 PRCF模型 79
2.2.4 要点讨论 84
2.3 异质隐式反馈 84
2.3.1 辅助反馈 85
2.3.2 BPRH模型 86
2.3.3 GcBPR模型 93
2.3.4 要点讨论 100
参考文献 101
第3章 社会化推荐系统 103
3.1 社会化推荐系统简介 103
3.1.1 评分预测算法 104
3.1.2 物品推荐算法 106
3.1.3 远景与挑战 107
3.2 社交感知的近邻模型 108
3.2.1 Merge模型 108
3.2.2 案例与分析 113
3.2.3 实验评估 116
3.3 多视图聚类的推荐模型 121
3.3.1 多视图聚类 122
3.3.2 SVR回归预测 127
3.3.3 冷启动用户 129
3.3.4 实验评估 131
3.4 社交增强的矩阵分解模型 137
3.4.1 信任分析 137
3.4.2 TrustSVD模型 141
3.4.3 FST模型 150
参考文献 159
第4章 信任计算 161
4.1 基本信任模型 161
4.1.1 认知信任 161
4.1.2 信任度量 162
4.1.3 实验评估 166
4.2 扩展的信任因子框架模型 170
4.2.1 TAF模型 170
4.2.2 ETAF模型 171
4.2.3 实验评估 176
4.3 多因子信任模型 181
4.3.1 信任框架 182
4.3.2 信任精化 183
4.3.3 实验评估 186
4.4 非线性信任模型 191
4.4.1 TrustNCF模型 191
4.4.2 模型分析 196
4.4.3 实验评估 197
参考文献 200
第5章 情景感知推荐 202
5.1 类别感知推荐模型 202
5.1.1 类别与偏好分析 204
5.1.2 类别感知推荐 207
5.1.3 实验评估 212
5.2 评论感知推荐模型 217
5.2.1 评论感知推荐概述 218
5.2.2 ADR模型 219
5.2.3 实验评估 222
5.3 地理感知推荐模型 226
5.3.1 地理与偏好分析 227
5.3.2 GeoBPR模型 228
5.3.3 实验评估 231
5.4 时间感知推荐模型 234
5.4.1 时间与偏好分析 235
5.4.2 PCCF模型 240
5.4.3 实验评估 245
参考文献 248
第1章 推荐系统 1
1.1 推荐系统的简介 1
1.2 推荐系统的挑战 4
1.2.1 数据端的挑战 4
1.2.2 模型端的挑战 6
1.2.3 评估端的挑战 8
1.3 LibRec开源库 11
1.3.1 LibRec简介 11
1.3.2 LibRec框架 12
1.3.3 LibRec安装 20
1.4 协同过滤算法 22
1.4.1 基于内存的推荐算法 23
1.4.2 基于模型的推荐算法 31
1.4.3 推荐算法的测试评估 37
参考文献 43
第2章 用户反馈 44
2.1 传统评分反馈 44
2.1.1 相似度测量 44
2.1.2 贝叶斯相似度 47
2.1.3 相似度分析 53
2.1.4 实验评估 56
2.2 前置评分反馈 68
2.2.1 前置评分 69
2.2.2 用户调查 72
2.2.3 PRCF模型 79
2.2.4 要点讨论 84
2.3 异质隐式反馈 84
2.3.1 辅助反馈 85
2.3.2 BPRH模型 86
2.3.3 GcBPR模型 93
2.3.4 要点讨论 100
参考文献 101
第3章 社会化推荐系统 103
3.1 社会化推荐系统简介 103
3.1.1 评分预测算法 104
3.1.2 物品推荐算法 106
3.1.3 远景与挑战 107
3.2 社交感知的近邻模型 108
3.2.1 Merge模型 108
3.2.2 案例与分析 113
3.2.3 实验评估 116
3.3 多视图聚类的推荐模型 121
3.3.1 多视图聚类 122
3.3.2 SVR回归预测 127
3.3.3 冷启动用户 129
3.3.4 实验评估 131
3.4 社交增强的矩阵分解模型 137
3.4.1 信任分析 137
3.4.2 TrustSVD模型 141
3.4.3 FST模型 150
参考文献 159
第4章 信任计算 161
4.1 基本信任模型 161
4.1.1 认知信任 161
4.1.2 信任度量 162
4.1.3 实验评估 166
4.2 扩展的信任因子框架模型 170
4.2.1 TAF模型 170
4.2.2 ETAF模型 171
4.2.3 实验评估 176
4.3 多因子信任模型 181
4.3.1 信任框架 182
4.3.2 信任精化 183
4.3.3 实验评估 186
4.4 非线性信任模型 191
4.4.1 TrustNCF模型 191
4.4.2 模型分析 196
4.4.3 实验评估 197
参考文献 200
第5章 情景感知推荐 202
5.1 类别感知推荐模型 202
5.1.1 类别与偏好分析 204
5.1.2 类别感知推荐 207
5.1.3 实验评估 212
5.2 评论感知推荐模型 217
5.2.1 评论感知推荐概述 218
5.2.2 ADR模型 219
5.2.3 实验评估 222
5.3 地理感知推荐模型 226
5.3.1 地理与偏好分析 227
5.3.2 GeoBPR模型 228
5.3.3 实验评估 231
5.4 时间感知推荐模型 234
5.4.1 时间与偏好分析 235
5.4.2 PCCF模型 240
5.4.3 实验评估 245
参考文献 248
前 言
经过多年的发展，推荐系统已经在诸多领域获得了广泛的应用，为用户在信息海洋中护驾导航，取得了令人瞩目的成就。推荐系统在工业领域的应用推动了其在学术领域的研究进展，每年都有很多新的模型、算法、观点等相继提出，并且与工业应用之间的联系也越来越紧密。然而，推荐系统的快速发展也产生了一些问题，如新手往往难以深入地理解推荐系统的任务和问题，对众多的论文、算法和模型存在困惑。本书致力于帮助读者梳理推荐系统的知识体系及其现实挑战。本书针对推荐系统在数据端的两个严峻挑战，即数据稀疏和冷启动问题，探讨多种不同的解决方案和研究路线，并详细介绍相关的研究工作及其进展。 具体来说，本书主要内容如下：第1章简要给出推荐系统的定义和价值；总结推荐系统在数据端、模型端和评估端的主要痛点和挑战，尤其是本书重点关注的数据稀疏和冷启动问题；概述了LibRec开源推荐算法库的发展、基本架构和安装使用。第2章阐述传统协同过滤算法的改进思路，包括更好地挖掘现有评分数据的价值，引导用户给出更多的评分数据，以及合理有效地使用多维度的评分反馈数据等，期望这些工作能够从根本上解决或缓解数据稀疏和冷启动的问题。第3章引入用户之间的社交关系以增强传统的推荐系统，即通过融合额外的用户数据来解决本书所关注的两个问题。本章提出了三种不同的社会化推荐算法，包括基于内存的算法、基于聚类的算法和基于矩阵分解的算法。第4章关注信任的多因子属性和隐式信任的推断等问题，是对第3章使用显式信任的有效补充。具体来说，本章提出了多个隐式信任的建模方法（包括信任和不信任关系），并讨论了隐式信任对推荐性能的影响。从用户的行为反馈推断出潜在的社交信任，可以有效地扩展社会化推荐算法的应用领域及推荐性能。第5章融合其他类型的辅助信息，以便更好地学习用户偏好。辅助信息包括物品的类别、用户的评论、地理位置、时间等。本章分析了不同类型的辅助信息及其特征，并在设计具体的推荐算法时给予充分的考虑和利用。此外，为了更好地跟进推荐系统的技术进展，建议读者关注LibRec微信公众号“LibRec智能推荐”。该公众号涉及诸多的推荐系统内容，包括LibRec算法库的使用介绍、推荐算法的详细阐述、推荐系统会议的内容总结、每周的推荐系统领域进展和论文等。本书既适用于推荐系统领域的新手，可以帮助其快速了解关注要点，理解算法的设计思路，掌握算法的实现原理和评估方法等；又适用于在推荐系统领域有一定开发基础的熟手，可以帮助其了解相关研究领域的技术和进展，深入而全面地理解推荐模型的核心观点，启发新的解决思路。 从现有的研究工作中整理出本书的内容，对作者而言是很有挑战性的工作。首先，需要确保推荐术语的准确性。尽管作者已经参与了《推荐系统：技术、评估及高效算法（第二版）》的翻译工作，有一定的编写经验，但在撰写本书的过程中，仍然需要花费精力以确保推荐系统相关术语的准确性和一致性。其次，作者日常工作繁忙，这些工作不但包括日常的教学任务和科研工作，还包括LibRec项目的开发进展、LibRec公众号的日常维护等。因此，在撰写本书的过程中，作者常常会因进展缓慢而懊恼，也曾几次想过放弃，但终坚持了下来。期望本书能够在推荐系统的基本理论和技术研发等方面给相关科研人员和从业人员一定的启发，也希望本书能够与LibRec项目一起，为推荐系统领域的发展和应用尽绵薄之力。 在此，感谢我的博士生导师——新加坡南洋理工大学的张杰教授，没有他的培养和指导，我不可能撰写出本书的研究内容。他严谨的治学风格、认真的工作态度，都是我学习效仿的楷模。同时，感谢东北大学和燕山大学的几位学生：陈子康、周洁、麻菁、张康和王伟，他们为本书的前期资料准备付出了很多辛苦和努力；感谢东北大学推荐系统课题组的学生帮助校稿，并提出很多有价值的修改意见。后，感谢我的家人，他们对我的写作工作给予了极大的理解和支持。由于作者水平有限，书中不足之处在所难免，敬请广大读者批评指正。 郭贵冰2018年4月
评论
还没有评论。