所有分类
  • 所有分类
  • 机械工业
  • 人民邮电
  • 清华大学
  • 电子工业

推荐系统 原理与实践 PDF下载

推荐系统 原理与实践 PDF下载插图

推荐系统 原理与实践封面

推荐系统 原理与实践 PDF下载插图1

推荐系统 原理与实践书签

基本信息
原书名:Recommender Systems: The Texbook
作者: [美]查鲁·C. 阿加沃尔
丛书名: 计算机科学丛书
出版社:机械工业出版社
ISBN:9787111600329
上架时间:2018-7-13
出版日期:2018 年7月
开本:16开
版次:1-1
所属分类:计算机 > 操作系统 > 综合

内容简介
书籍
计算机书籍
本书介绍推荐系统的基本原理、方法和技术。不仅详细讨论了各类方法,还对同类技术进行了归纳总结,有助于读者对当前推荐系统研究领域有全面的了解。书中提供了大量的例子和习题来帮助读者深入理解和掌握相关内容。此外,本书还介绍了当前最新的研究方向,为读者进行推荐系统技术的研究提供参考。
本书既可以作为计算机及相关专业本科生和研究生的教材,也适合开发人员和研究人员阅读。

目录
出版者的话
译者序
前言
致谢
作者简介
第1章推荐系统概述
11引言
12推荐系统的目标
121推荐系统应用范围
13推荐系统的基本模型
131协同过滤模型
132基于内容的推荐系统
133基于知识的推荐系统
134人口统计推荐系统
135混合集成的推荐系统
136对推荐系统的评价
14推荐系统领域特有的挑战
141基于上下文的推荐系统
142时间敏感的推荐系统
143基于位置的推荐系统
144社交信息系统
15高级论题和应用
151推荐系统中的冷启动问题
152抗攻击推荐系统
153组推荐系统
154多标准推荐系统
155推荐系统中的主动学习
156推荐系统中的隐私问题
157应用领域
16小结
17相关工作
18习题
第2章基于近邻的协同过滤
21引言
22评分矩阵的关键性质
23通过基于近邻的方法预测评分
231基于用户的近邻模型
232基于物品的近邻模型
233高效的实现和计算复杂度
234基于用户的方法和基于物品的方法的比较
235基于近邻方法的优劣势
236基于用户的方法和基于物品的方法的联合
24聚类和基于近邻的方法
25降维与近邻方法
251处理偏差
26近邻方法的回归模型视角
261基于用户的最近邻回归
262基于物品的最近邻回归
263基于用户的方法和基于物品的方法的结合
264具有相似度权重的联合插值
265稀疏线性模型
27基于近邻方法的图模型
271用户物品图
272用户用户图
273物品物品图
28小结
29相关工作
210习题
第3章基于模型的协同过滤
31引言
32决策和回归树
321将决策树扩展到协同过滤
33基于规则的协同过滤
331将关联规则用于协同过滤
332面向物品的模型与面向用户的模型
34朴素贝叶斯协同过滤
341处理过拟合
342示例:使用贝叶斯方法处理二元评分
35将任意分类模型当作黑盒来处理
351示例:使用神经网络作为黑盒分类器
36潜在因子模型
361潜在因子模型的几何解释
362潜在因子模型的低秩解释
363基本矩阵分解原理
364无约束矩阵分解
365奇异值分解
366非负矩阵分解
367理解矩阵因子分解方法族
37集成因子分解和近邻模型
371基准估计:非个性化偏倚中心模型
372模型的近邻部分
373模型的潜在因子部分
374集成近邻和潜在因子部分
375求解优化模型
376关于精度的一些观察
377将潜在因子模型集成到任意模型
38小结
39相关工作
310习题
第4章基于内容的推荐系统
41引言
42基于内容的系统的基本组件
43预处理和特征提取
431特征提取
432特征表示和清洗
433收集用户的偏好
434监督特征选择和加权
44学习用户画像和过滤
441最近邻分类
442与基于案例的推荐系统的关联性
443贝叶斯分类器
444基于规则的分类器
445基于回归的模型
446其他学习模型和比较概述
447基于内容的系统的解释
45基于内容的推荐与协同推荐
46将基于内容的模型用于协同过滤
461利用用户画像
47小结
48相关工作
49习题
第5章基于知识的推荐系统
51引言
52基于约束的推荐系统
521返回相关结果
522交互方法
523排序匹配的物品
524处理不可接受的结果或空集
525添加约束
53基于案例的推荐系统
531相似性度量
532批评方法
533批评的解释
54基于知识的系统的持久个性化
55小结
56相关工作
57习题
第6章基于集成的混合推荐系统
61引言
62从分类角度看集成方法
63加权型混合系统
631几种模型组合的方法
632对分类中的bagging算法的调整
633随机性注入算法
64切换型混合系统
641为解决冷启动问题的切换机制
642桶模型
65级联型混合系统
651推荐结果的逐步优化
652boosting算法
66特征放大型混合系统
67元级型混合系统
68特征组合型混合系统
681回归分析和矩阵分解
682元级特征
69交叉型混合系统
610小结
611相关工作
612习题
第7章推荐系统评估
71引言
72评估范例
721用户调查
722在线评估
723使用历史数据集进行离线评估
73评估设计的总体目标
731精确性
732覆盖率
733置信度和信任度
734新颖度
735惊喜度
736多样性
737健壮性和稳定性
738可扩展性
74离线推荐评估的设计要点
741Netflix Prize数据集的案例研究
742为训练和测试分解评分
743与分类设计的比较
75离线评估的精确性指标
751度量预测评分的精确性
752通过相关性评估排名
753通过效用评估排名
754通过ROC曲线评估排名
755哪种排名方式最好
76评估指标的局限性
761避免评估游戏
77小结
78相关工作
79习题
第8章上下文敏感的推荐系统
81引言
82多维方法
821层级的重要性
83上下文预过滤:一种基于降维的方法
831基于集成的改进
832多级别的估计
84后过滤方法
85上下文建模
851基于近邻的方法
852潜在因子模型
853基于内容的模型
86小结
87相关工作
88习题
第9章时间与位置敏感的推荐系统
91引言
92时间协同过滤
921基于新近的模型
922处理周期性上下文
923将评分建模为时间的函数
93离散时间模型
931马尔可夫模型
932序列模式挖掘
94位置感知推荐系统
941偏好位置
942旅行位置
943结合偏好位置与旅行位置
95小结
96相关工作
97习题
第10章网络中的结构化推荐
101引言
102排序算法
1021PageRank
1022个性化PageRank
1023基于近邻的方法应用
1024SimRank
1025搜索与推荐的关系
103使用集合分类的推荐
1031迭代分类算法
1032使用随机游走的标签传播
1033社交网络中协同过滤的适用性
104推荐好友:链接预测
1041基于近邻的方法
1042Katz度量
1043基于随机游走的度量
1044作为分类问题的链接预测
1045链接预测的矩阵分解
1046链接预测和协同过滤的关联
105社会影响力分析和病毒式营销
1051线性阈值模型
1052独立级联模型
1053影响力函数评估
1054社交流中的目标影响力分析模型
106小结
107相关工作
108习题
第11章社交和以信任为中心的推荐系统
111引言
112社交上下文的多维模型
113以网络为中心的方法和以信任为中心的方法
1131收集数据来建立信任网络
1132信任的传播和聚合
1133没有信任传播的简单推荐
1134TidalTrust算法
1135MoleTrust算法
1136信任游走算法
1137链接预测法
1138矩阵分解法
1139社交推荐系统的优点
114社交推荐系统中的用户交互
1141大众分类法的代表
1142社会性标签系统中的协同过滤
1143选择有价值的标签
1144无评分矩阵的社会性标签推荐
1145使用评分矩阵的社会性标签推荐
115小结
116相关工作
117习题
第12章抵抗攻击的推荐系统
121引言
122对攻击模型中的权衡的理解
1221量化攻击的影响
123攻击类型
1231随机攻击
1232均值攻击
1233bandwagon攻击
1234流行攻击
1235爱/憎攻击
1236反向bandwagon攻击
1237探测攻击
1238分段攻击
1239基本推荐算法的效果
124探测推荐系统中的攻击
1241单体攻击画像的探测
1242群体攻击画像的探测
125健壮推荐设计策略
1251用CAPTCHA防止自动攻击
1252使用社会信任
1253设计健壮的推荐算法
126小结
127相关工作
128习题
第13章推荐系统高级主题
131引言
132排名学习
1321成对排名学习
1322列表排名学习
1323与其他领域中排名学习方法的比较
133多臂赌博机算法
1331朴素算法
1332贪心算法
1333上限方法
134组推荐系统
1341协同和基于内容的系统
1342基于知识的系统
135多标准推荐系统
1351基于近邻的方法
1352基于集成的方法
1353无整体评分的多标准系统
136推荐系统中的主动学习
1361基于异质性的模型
1362基于性能的模型
137推荐系统中的隐私
1371基于冷凝的隐私
1372高维数据的挑战
138一些有趣的应用领域
1381门户内容个性化
1382计算广告与推荐系统
1383互惠推荐系统
139小结
1310相关工作
参考文献
索引

资源下载此资源下载价格为3积分点击检测网盘有效后购买,VIP免费
客服QQ:3599229794
资源下载
下载价格3 积分
客服QQ:3599229794
0

评论0

请先

显示验证码
没有账号? 注册  忘记密码?