推薦系統：技術、評估及高效算法（原書第2版）

定　價：￥139.00

作　者：	[美] 弗朗西斯科·里奇著，李艷民譯
出版社：	機械工業(yè)出版社
叢編項：	計算機科學叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111600756	出版時間：	2018-07-01	包裝：	平裝
開本：	16開	頁數：	636	字數：

內容簡介

　　本書由五部分組成：推薦系統的技術、評估、應用、人機交互及高級話題。第一部分展示了如今構建推薦系統的流行和基礎的技術，如協同過濾、基于語義的方法、數據挖掘方法和基于情境感知的方法。第二部分主要關注離線和真實用戶環(huán)境下用于評估推薦質量的技術及方法。第三部分包括了一些推薦技術多樣性的應用。首先簡述了與工業(yè)實現和推薦系統開發(fā)相關的一般性問題，隨后詳細介紹了推薦系統在各領域中的應用：音樂、學習、移動、社交網絡及它們之間的交互。第四部分包含了探討一系列問題的文章，這些問題包括推薦的展示、瀏覽、解釋和視覺化以及人工決策與推薦系統相關的重要問題。第五部分收集了一些關于高級話題的文章，例如利用主動學習技術來引導新知識的學習，構建能夠抵擋惡意用戶攻擊的健壯推薦系統的合適技術，以及結合多種用戶反饋和偏好來生成更加可靠的推薦系統。

作者簡介

　　弗朗西斯科·里奇（Francesco Ricci），意大利博爾扎諾自由大學計算機科學副教授。目前他的研究興趣包括推薦系統、智能接口、移動系統、機器學習、案例推理、信息和通信技術在旅游中的應用。他是《Journal of Information Technology and Tourism》雜志的編委，還是ACM和IEEE會員。他還是ACM會議推薦系統分會的指導委員會成員。利奧·羅卡奇（Lior Rokach），以色列本-古里安大學信息系統工程系助理教授。他是智能信息系統方面公認的專家，在這一領域處于領先地位。他的主要研究領域包括數據挖掘、模式識別和推薦系統。他的70篇論文被主流期刊、會議和書籍等引用。布拉哈·夏皮拉（Bracha Shapira），以色列本-古里安大學信息系統工程系助理教授。目前她的研究興趣包括推薦系統、信息檢索、個性化、用戶建模和社交網絡。她是本-古里安大學德國電信實驗室研究項目負責人，并且還是ACM和IEEE會員。

圖書目錄

目　錄

Recommender Systems Handbook,Second Edition

出版者的話

推薦序一

推薦序二

推薦序三

譯者序

前言

譯者簡介

第1章　推薦系統：簡介和挑戰(zhàn)1

　1.1　簡介1

　1.2　推薦系統的功能3

　1.3　數據和知識來源5

　1.4　推薦技術7

　1.5　推薦系統評估10

　1.6　推薦系統應用11

　1.7　推薦系統與人機交互13

　1.8　高級話題14

　1.9　挑戰(zhàn)16

　　1.9.1　偏好獲取與分析16

　　1.9.2　交互17

　　1.9.3　新的推薦任務18

　參考文獻19

第一部分　推薦系統技術

第2章　基于鄰域的推薦方法綜述24

　2.1　簡介24

　　2.1.1　基于鄰域方法的優(yōu)勢25

　　2.1.2　目標和概要26

　2.2　問題定義和符號26

　2.3　基于鄰域的推薦27

　　2.3.1　基于用戶的評分預測28

　　2.3.2　基于用戶的分類預測方法28

　　2.3.3　回歸與分類29

　　2.3.4　基于物品的推薦29

　　2.3.5　基于用戶和基于物品的推薦方法的比較30

　2.4　基于鄰域方法的要素31

　　2.4.1　評分標準化31

　　2.4.2　相似度權重的計算33

　　2.4.3　鄰域的選擇37

　2.5　高級進階技術37

　　2.5.1　基于圖的方法38

　　2.5.2　基于學習的方法40

　2.6　總結44

　參考文獻44

第3章　協同過濾方法進階48

　3.1　簡介48

　3.2　預備知識49

　　3.2.1　基準預測49

　　3.2.2　Netflix數據50

　　3.2.3　隱式反饋51

　3.3　矩陣分解模型51

　　3.3.1　SVD52

　　3.3.2　SVD++53

　　3.3.3　時間敏感的因子模型54

　　3.3.4　比較57

　　3.3.5　小結58

　3.4　基于鄰域的模型59

　　3.4.1　相似度度量59

　　3.4.2　基于相似度的插值60

　　3.4.3　聯合派生插值權重61

　　3.4.4　小結63

　3.5　增強的基于鄰域的模型63

　　3.5.1　全局化的鄰域模型64

　　3.5.2　因式分解的鄰域模型67

　　3.5.3　基于鄰域模型的動態(tài)時序71

　　3.5.4　小結72

　3.6　基于鄰域的模型和因子分解模型的比較73

　參考文獻75

第4章　基于內容的語義感知推薦系統77

　4.1　簡介77

　4.2　基于內容的推薦系統概述77

　　4.2.1　基于關鍵詞的向量空間模型79

　　4.2.2　用戶特征學習的方法80

　　4.2.3　基于內容過濾的優(yōu)缺點81

　4.3　自上而下的語義方法82

　　4.3.1　基于本體資源的方法83

　　4.3.2　基于非結構化或半結構化百科知識的方法84

　　4.3.3　基于關聯開放數據的方法86

　4.4　自下而上的語義方法90

　　4.4.1　基于判別式模型的方法90

　4.5　方法比較與小結94

　4.6　總結與未來挑戰(zhàn)95

　致謝96

　參考文獻96

第5章　基于約束的推薦系統103

　5.1　簡介103

　5.2　推薦知識庫的開發(fā)105

　5.3　推薦過程中的用戶導向作用108

　5.4　計算推薦結果113

　5.5　實際應用的經驗114

　5.6　未來的研究方法116

　5.7　總結118

　參考文獻118

第6章　情境感知推薦系統123

　6.1　簡介和動機123

　6.2　推薦系統中的情境124

　　6.2.1　什么是情境124

　　6.2.2　推薦系統中模型化情境信息的表征性方法125

　　6.2.3　推薦系統中主要的情境信息建模方法127

　　6.2.4　獲取情境信息130

　6.3　結合具有代表性情境的推薦系統范式131

　　6.3.1　情境預過濾133

　　6.3.2　情境后過濾136

　　6.3.3　情境建模137

　6.4　討論和總結138

　致謝140

　參考文獻140

第7章　推薦系統中的數據挖掘方法145

　7.1　簡介145

　7.2　數據預處理146

　　7.2.1　相似度度量方法146

　　7.2.2　抽樣147

　　7.2.3　降維148

　　7.2.4　去噪150

　7.3　監(jiān)督學習150

　　7.3.1　分類150

　　7.3.2　分類器的集成157

　　7.3.3　評估分類器157

　7.4　無監(jiān)督學習159

　　7.4.1　聚類分析159

　　7.4.2　關聯規(guī)則挖掘161

　7.5　總結162

　參考文獻163

第二部分　推薦系統評估

第8章　推薦系統的評估170

　8.1　簡介170

　8.2　實驗設置171

　　8.2.1　離線實驗172

　　8.2.2　用戶調查173

　　8.2.3　在線評估175

　　8.2.4　得出可靠結論176

　8.3　推薦系統屬性178

　　8.3.1　用戶偏好179

　　8.3.2　預測精度179

　　8.3.3　覆蓋率186

　　8.3.4　置信度187

　　8.3.5　信任度188

　　8.3.6　新穎性188

　　8.3.7　驚喜度189

　　8.3.8　多樣性190

　　8.3.9　效用191

　　8.3.10　風險191

　　8.3.11　健壯性192

　　8.3.12　隱私192

　　8.3.13　適應性193

　　8.3.14　可擴展性193

　8.4　結論193

　參考文獻194

第9章　使用用戶實驗評估推薦系統198

　9.1　簡介198

　9.2　理論基礎與現有工作199

　　9.2.1　理論基礎：Knijnenburg等人提出的評估框架199

　　9.2.2　現有以用戶為中心的研究概覽以及有前景的方向201

　9.3　實踐指南203

　　9.3.1　研究模型203

　　9.3.2　參與者206

　　9.3.3　實驗操控207

　　9.3.4　測量209

　　9.3.5　統計評估214

　9.4　結論219

　參考文獻221

第10章　對推薦結果的解釋：設計和評估228

　10.1　簡介228

　10.2　推薦設計的呈現和交互229

　　10.2.1　推薦呈現229
......