推薦系統

本書除了介紹推薦系統的一般框架、典型應用和評測方法之外，還主要介紹各種典型推薦算法的思想、原理、算法設計和應用場景，包括針對“千人千面”的個性化推薦和針對“千人萬面”的情境化推薦。此外，本書還包含一些和推薦系統相關的專題內容，如針對排序問題的排序學習和針對信息融合的異質信息網絡模型。 本書可作為計算機科學與技術、軟件工程、數據科學與大數據技術、人工智能等專業的高年級本科生和研究生的相關課程教材，也可作為從事推薦系統、搜索引擎、數據挖掘等研發工作相關人員的參考書。 ^[2] 

1.1推薦系統簡介

1.1.1信息超載

1.1.2長尾效應

1.1.3推薦系統的價值

1.2推薦系統的發展歷史

1.3個性化推薦

1.3.1用户畫像

1.3.2項目畫像

1.4應用場景

1.4.1電商

1.4.2新聞

1.4.3音樂

1.5推薦系統框架與形式化定義

1.6推薦算法分類

1.6.1基於算法思想的分類

1.6.2基於應用問題的分類

2.1協同過濾簡介

2.1.1基本思想

2.1.2算法分類

2.1.3一般流程

2.2基於用户的協同過濾

2.2.1Top-N推薦

2.2.2評分預測

2.3基於項目的協同過濾

2.3.1Top-N推薦

2.3.2評分預測

2.4基於距離的相似度度量

2.5Slope One算法

2.6基於二部圖的協同過濾

2.6.1激活擴散模型

2.6.2物質擴散模型

2.6.3熱傳導模型

3.1基於關聯規則的協同過濾

3.1.1基本概念

3.1.2關聯規則度量

3.1.3Apriori關聯規則挖掘算法

3.1.4關聯規則的相關分析

3.2基於矩陣分解的評分預測

3.2.1奇異值分解

3.2.2隱語義模型

3.2.3概率矩陣分解

3.2.4SVD++模型

3.3基於矩陣分解的Top-N推薦

3.3.1基於正樣本過採樣的矩陣分解

3.3.2基於負樣本欠採樣的矩陣分解

4.1基於內容的推薦系統框架

4.2基於詞向量空間模型的文本表示

4.2.1詞袋模型

4.2.2TF-IDF模型

4.2.3模型改進

4.2.4餘弦相似度

4.3基於語義的內容相似度

4.3.1基於本體的文本相似度

4.3.2基於網絡知識的文本相似度

4.3.3基於語料庫的文本相似度

4.4基於知識的推薦

4.4.1基於約束的推薦

4.4.2基於效用的推薦

4.4.3基於實例的推薦

5.1混合推薦實例——Netflix百萬美金公開賽

5.2混合/組合推薦的動機

5.2.1實踐經驗

5.2.2理論依據

5.3混合/組合方法分類

5.3.1有監督組合和無監督組合

5.3.2並行式混合、串行式混合和整體式混合

5.4並行式混合推薦

5.4.1加權式混合

5.4.2切換式混合

5.4.3排序混合

5.5串行式混合推薦

5.5.1級聯過濾

5.5.2級聯學習

5.6整體式混合推薦

5.6.1特徵組合

5.6.2特徵擴充

5.6.3基於圖模型的混合

6.1評測視角

6.2實驗方法

6.2.1在線實驗

6.2.2用户調查

6.2.3離線實驗

6.3評分預測評價指標

6.3.1MAE和MSE

6.3.2RMSE、NMAE和NRMSE

6.4Top-N推薦評價指標

6.4.1分類準確度指標

6.4.2ROC曲線和AUC值

6.4.3基於排序的評價指標

6.4.4其他常用評價指標

6.5公開實驗數據集

7.1排序學習模型分類

7.2對級排序學習模型

7.2.1基本框架

7.2.2貝葉斯個性化排序

7.2.3協同對級排序學習

7.3列表級排序學習模型

7.3.1P-Push CR算法

7.3.2CofiRank算法

8.1情境信息的定義

8.2情境信息的獲取

8.3基於情境感知的推薦系統框架

8.3.1數據立方體

8.3.2基於樹的層次信息表達

8.4融合情境信息的推薦模型

8.4.1情境預過濾

8.4.2情境後過濾

8.5情境建模

8.5.1基於鄰域的方法

8.5.2基於模型的方法

9.1基於時間信息的推薦

9.1.1最近最熱門推薦算法

9.1.2基於時間的項目協同過濾

9.1.3基於時間的用户協同過濾

9.1.4基於會話的推薦

9.2基於序列感知的推薦

9.2.1基於馬爾可夫模型的序列預測

9.2.2基於循環神經網絡的序列預測

9.3基於空間信息的推薦

9.3.1位置信息的獲取與推理

9.3.2基於位置信息的推薦

9.3.3融合其他信息的推薦

10.1社交關係數據

10.2基於鄰域的社交化推薦

10.2.1基於用户的協同過濾

10.2.2基於圖擴散的推薦

10.3基於模型的社交化推薦

10.3.1基於潛在社交因子學習的推薦

10.3.2基於顯式社交關係的推薦

10.4基於社會曝光的協同過濾

11.1基本概念

11.2基於鄰域的HIN推薦算法

11.2.1基於隨機遊走的相關度度量

11.2.2基於元路徑的相關度度量

11.2.3基於元路徑和隨機遊走混合的相關度度量

11.3基於模型的HIN推薦算法

11.3.1兩階段融合模型

11.3.2端到端的學習模型

劉宏志，北京大學理學博士，教授。主要研究領域：人工智能、大數據、金融科技。已在ACM TACO、PR、KBS、IJCAI、AAAI、WWW、WSDM、EMNLP等國際知名期刊和會議上發表學術論文60多篇，並編著出版教材2本。已申請專利10多項。參與和主持多項國家自然科學基金、重點研發計劃、科技支撐計劃、國際合作和企業合作項目。 ^[1]