推薦系統：技術、評估及高效算法

出版者的話
推薦序一
推薦序二
譯者序
前言

第1章 概述1
1.1 簡介1
1.2 推薦系統的功能3
1.3 數據和知識資源5
1.4 推薦技術7
1.5 應用與評價10
1.6 推薦系統與人機交互12
1.6.1 信任、解釋和說服力13
1.6.2 會話系統13
1.6.3 可視化14
1.7 推薦系統是個交叉學科領域15
1.8 出現的問題和挑戰16
1.8.1 本書對出現的問題的討論16
1.8.2 挑戰18
參考文獻20

第一部分 基礎技術

第2章 推薦系統中的數據挖掘方法28
2.1 簡介28
2.2 數據預處理29
2.2.1 相似度度量方法29
2.2.2 抽樣30
2.2.3 降維31
2.2.4 去噪33
2.3 分類34
2.3.1 最近鄰34
2.3.2 決策樹35
2.3.3 基於規則的分類36
2.3.4 貝葉斯分類器36
2.3.5 人工神經網絡38
2.3.6 支持向量機39
2.3.7 分類器的集成40
2.3.8 評估分類器41
2.4 聚類分析42
2.4.1 k—means43
2.4.2 改進的k—means44
2.5 關聯規則挖掘44
2.6 總結46
致謝47
參考文獻47

第3章 基於內容的推薦系統：前沿和趨勢51
3.1 簡介51
3.2 基於內容的推薦系統的基礎52
3.2.1 基於內容的推薦系統的高層次結構52
3.2.2 基於內容過濾的優缺點54
3.3 基於內容的推薦系統的現狀55
3.3.1 物品表示56
3.3.2 學習用戶特征的方法62
3.4 趨勢和未來研究65
3.4.1 推薦過程中用戶產生內容的作用65
3.4.2 超越特化：驚喜度66
3.5 總結68
參考文獻68

第4章 基於近鄰推薦方法綜述74
4.1 簡介74
4.1.1 問題公式化定義75
4.1.2 推薦方法概要76
4.1.3 基於近鄰方法的優勢77
4.1.4 目標和概要78
4.2 基於近鄰推薦78
4.2.1 基於用戶評分79
4.2.2 基於用戶分類80
4.2.3 回歸與分類80
4.2.4 基於物品推薦81
4.2.5 基於用戶和基於物品推薦的對比81
4.3 近鄰方法的要素83
4.3.1 評分標准化83
4.3.2 相似度權重計算85
4.3.3 近鄰的選擇89
4.4 高級進階技術90
4.4.1 降維方法90
4.4.2 基於圖方法92
4.5 總結95
參考文獻96

第5章 協同過濾算法的高級課題1005.1
簡介100
5.2 預備知識101
5.2.1 基准預測102
5.2.2 Netflix數據103
5.2.3 隱式反饋103
5.3 因子分解模型104
5.3.1 SVD104
5.3.2 SVD++105
5.3.3 時間敏感的因子模型106
5.3.4 比較111
5.3.5 總結112
5.4 基於鄰域的模型112
5.4.1 相似度度量113
5.4.2 基於相似度的插值113
5.4.3 聯合派生插值權重115
5.4.4 總結117
5.5 增強的基於鄰域的模型117
5.5.1 全局化的鄰域模型118
5.5.2 因式分解的鄰域模型122
5.5.3 基於鄰域的模型的動態時序126
5.5.4 總結127
5.6 基於鄰域的模型和因子分解模型的比較127
參考文獻129

第6章 開發基於約束的推薦系統131
6.1 簡介131
6.2 推薦知識庫的開發133
6.3 推薦過程中的用戶導向137
6.4 計算推薦結果142
6.5 項目和案例研究的經驗143
6.6 未來的研究方法144
6.7 總結147
參考文獻147

第7章 情境感知推薦系統151
7.1 簡介151
7.2 推薦系統中的情境152
7.2.1 什麼是情境152
7.2.2 在推薦系統實現情境信息的建模155
7.2.3 獲取情境信息158
7.3 結合情境的推薦系統形式159
7.3.1 情境預過濾161
7.3.2 情境后過濾163
7.3.3 情境建模164
7.4 多種方法結合167
7.4.1 組合預過濾器案例研究：算法168
7.4.2 組合預過濾器案例研究：實驗結果168
7.5 情境感知推薦系統的其他問題170
7.6 總結171
致謝171
參考文獻172

第二部分 推薦系統的應用與評估

第8章 推薦系統評估176
8.1 簡介176
8.2 實驗設置177
8.2.1 離線實驗178
8.2.2 用戶調查180
8.2.3 在線評估182
8.2.4 得出可靠結論182
8.3 推薦系統屬性185
8.3.1 用戶偏好185
8.3.2 預測准確度186
8.3.3 覆蓋率191
8.3.4 置信度192
8.3.5 信任度193
8.3.6 新穎度194
8.3.7 驚喜度195
8.3.8 多樣性195
8.3.9 效用196
8.3.10 風險197
8.3.11 健壯性197
8.3.12 隱私198
8.3.13 適應性198
8.3.14 可擴展性199
8.4 總結199
參考文獻199

第9章 IPTV服務提供商推薦系統：一個大規模真實產品環境的應用2039.1 簡介203
9.2 IPTV架構204
9.3 推薦系統架構206
9.3.1 數據搜集206
9.3.2 批處理和實時階段207
9.4 推薦算法208
9.4.1 推薦算法概述209
9.4.2 基於內容隱語義分析算法210
9.4.3 基於物品的協同過濾算法213
9.4.4 基於降維的協同過濾算法214
9.5 推薦服務215
9.6 系統評價216
9.6.1 離線分析218
9.6.2 在線分析220
9.7 總結223
參考文獻223

第10章 走出實驗室的推薦系統225
10.1 簡介225
10.2 設計現實環境中的推薦系統225
10.3 理解推薦系統的環境226
10.3.1 應用模型226
10.3.2 用戶建模230
10.3.3 數據模型233
10.3.4 一個使用環境模型的方法235
10.4 在迭代設計過程中理解推薦驗證步驟236
10.4.1 算法的驗證236
10.4.2 推薦結果的驗證237
10.5 應用實例：一個語義新聞推薦系統240
10.5.1 背景：MESH工程240
10.5.2 MESH的環境模型240
10.5.3 實踐：模型的迭代實例化243
10.6 總結244
參考文獻244

第11章 匹配推薦系統的技術與領域247
11.1 簡介247
11.2 相關工作247
11.3 知識源248
11.4 領域250
11.4.1 異構性250
11.4.2 風險性251
11.4.3 變動性251
11.4.4 交互風格251
11.4.5 偏好穩定性251
11.4.6 可理解性252
11.5 知識源252
11.5.1 社群知識252
11.5.2 個人知識253
11.5.3 基於內容的知識253
11.6 從領域到技術254
11.6.1 算法255
11.6.2 抽樣推薦領域256
11.7 總結257
致謝257
參考文獻257

第12章 用於技術強化學習的推薦系統261
12.1 簡介261
12.2 背景262
12.2.1 TEL作為上下文262
12.2.2 TEL推薦的目標263
12.3 相關工作264
12.3.1 自適應教育超媒體264
12.3.2 學習網絡265
12.3.3 相同點與不同點267
12.4 TEL推薦系統調查268
12.5 TEL推薦系統的評估271
12.5.1 對組件的評估272
12.5.2 評估TEL推薦系統時需要考慮的問題273
12.6 總結與展望274
致謝274
參考文獻275

第三部分 推薦系統的影響

第13章 基於評價推薦系統的進展282
13.1 簡介282
13.2 早期：評價系統／已得益處282
13.3 評價系統的表述與檢索挑戰283
13.3.1 評價表述的方式283
13.3.2 基於評價的推薦系統中的檢索挑戰289
13.4 評價平台中的交互研究293
13.4.1 擴展到其他評價平台294
13.4.2 用戶直接操作與限制用戶控制的比較295
13.4.3 支持性解釋、置信和信任296
13.4.4 可視化、自適應性和分區動態性297
13.4.5 關於多文化的適用性的差異298
13.5 評價的評估：資源、方法和標准298
13.5.1 資源和方法298
13.5.2 評估標准299
13.6 總結與展望300
參考文獻301

第14章 構建更值得信任和具有說服力的推薦系統：特性對評估推薦系統的影響305
14.1 簡介305
14.2 推薦系統作為社交角色306
14.3 來源可信度306
14.3.1 可信度306
14.3.2 專業能力307
14.3.3 對來源可信度的影響307
14.4 人際交互中信息特性的研究307
14.4.1 相似度307
14.4.2 喜好度308
14.4.3 權威的象征308
14.4.4 演講的風格308
14.4.5 外在吸引力308
14.4.6 幽默309
14.5 人機交互中的特性309
14.6 用戶與推薦系統交互的特性309
14.6.1 推薦系統類型310
14.6.2 輸入特性310
14.6.3 過程特性311
14.6.4 輸出特性311
14.6.5 內嵌的智能體特性312
14.7 討論312
14.8 影響313
14.9 未來研究方向314
參考文獻314

第15章 設計和評估推薦系統的解釋321
15.1 簡介321
15.2 指引322
15.3 專家系統的說明322
15.4 定義的目標322
15.4.1 系統如何工作：透明性324
15.4.2 允許用戶告訴系統它是錯誤的：被理解324
15.4.3 增加用戶對系統上的信任：信任度325
15.4.4 說服用戶嘗試或購買：說服力326
15.4.5 幫助用戶充分地決策：有效性327
15.4.6 幫助用戶快速制定決策：效率328
15.4.7 使系統的應用愉悅：滿意度328
15.5 評估解釋在推薦系統的作用329
15.5.1 精准度329
15.5.2 學習效率329
15.5.3 覆蓋度330
15.5.4 接受度330
15.6 用推薦設計展示與互動330
15.6.1 展示推薦330
15.6.2 與推薦系統交互331
15.7 解釋風格332
15.7.1 基於協同風格333
15.7.2 基於內容風格334
15.7.3 基於案例風格334
15.7.4 基於知識／自然語言風格335
15.7.5 基於人口統計風格335
15.8 總結與展望336
參考文獻337

第16章 基於實例評價研究的產品推薦系統的可用性准則340
16.1 簡介340
16.2 預備知識341
16.2.1 交互模型341
16.2.2 基於效用的推薦系統342
16.2.3 准確率、信任度和代價的框架344
16.2.4 本章結構344
16.3 相關工作345
16.3.1 推薦系統分類345
16.3.2 基於評分的推薦系統345
16.3.3 基於案例的推薦系統345
16.3.4 基於效用的推薦系統345
16.3.5 基於評價的推薦系統346
16.3.6 其他設計指導准則346
16.4 初始偏好提取347
16.5 通過實例激勵用戶表示偏好349
16.5.1 需要多少實例350
16.5.2 需要哪些實例350
16.6 偏好修正352
16.6.1 偏好沖突和部分滿足352
16.6.2 權衡輔助353
16.7 展示策略354
16.7.1 一次推薦一項物品354
16.7.2 推薦k項最匹配的物品355
16.7.3 解釋界面355
16.8 准則驗證模型357
16.9 總結359
參考文獻359

第17章 基於示意圖的產品目錄可視化363
17.1 簡介363
17.2 基於圖的可視化方法364
17.2.1 自組織映射364
17.2.2 樹圖365
17.2.3 多維縮放366
17.2.4 非線性主成分分析367
17.3 產品目錄圖367
17.3.1 多維縮放368
17.3.2 非線性主成分分析369
17.4 通過點擊流分析決定屬性權重370
17.4.1 泊松回歸模型370
17.4.2 處理缺失值371
17.4.3 使用泊松回歸選擇權值371
17.4.4 階梯式泊松回歸模型371
17.5 圖像購物界面372
17.6 電子商務應用373
17.6.1 使用屬性權值的基於MDS的產品目錄圖373
17.6.2 基於NL—PCA的產品目錄圖375
17.6.3 圖像購物界面377
17.7 總結與展望379
致謝380
參考文獻380

第四部分 推薦系統與群體

第18章 個性化Web搜索中的群體、協作與推薦系統384
18.1 簡介384
18.2 網絡搜索歷史簡介385
18.3 網絡搜索的未來387
18.3.1 個性化網絡搜索387
18.3.2 協同信息檢索390
18.3.3 向社交搜索前進392
18.4 案例研究1：基於群體的網絡搜索392
18.4.1 搜索群體中的重復性和規律性392
18.4.2 協同網絡搜索系統393
18.4.3 評估395
18.4.4 討論396
18.5 案例研究2：網絡搜索共享396
18.5.1 HeyStaks系統397
18.5.2 HeyStaks推薦引擎399
18.5.3 評估400
18.5.4 討論402
18.6 總結402
致謝403
參考文獻403

第19章 社會化標簽推薦系統409
19.1 簡介409
19.2 社會化標簽推薦系統410
19.2.1 大眾分類法410
19.2.2 傳統推薦系統范式411
19.2.3 多模式推薦412
19.3 現實社會化標簽推薦系統413
19.3.1 有哪些挑戰413
19.3.2 案例BibSonomy413
19.3.3 標簽獲取415
19.4 社會化標簽系統的推薦算法416
19.4.1 協同過濾416
19.4.2 基於排序的推薦418
19.4.3 基於內容的社會化標簽推薦系統421
19.4.4 評估方案和評估度量423
19.5 算法比較424
19.6 總結與展望426
參考文獻427

第20章 信任和推薦430
20.1 簡介430
20.2 信任的表示與計算431
20.2.1 信任表示431
20.2.2 信任計算433
20.3 信任增強推薦系統436
20.3.1 動機436
20.3.2 進展437
20.3.3 實驗比較441
20.4 進展和開放性挑戰445
20.5 總結446
參考文獻446

第21章 組推薦系統449
21.1 簡介449
21.2 應用場景和群組推薦系統分類450
21.2.1 交互式電視450
21.2.2 環繞智能450
21.2.3 基於場景的推薦系統451
21.2.4 基於分類的群組推薦451
21.3 合並策略452
21.3.1 合並策略概覽452
21.3.2 合並策略在相關工作中的應用453
21.3.3 哪種策略效果最好454
21.4 序列順序的影響455
21.5 對情感狀態建模456
21.5.1 對個人的滿意度進行建模457
21.5.2 個人滿意度對群組的影響458
21.6 情感狀態在合並策略中的使用459
21.7 對單個用戶進行組推薦460
21.7.1 多准則460
21.7.2 冷啟動問題461
21.7.3 虛擬組成員462
21.8 總結與挑戰462
21.8.1 提出的主要問題463
21.8.2 警告：組建模463
21.8.3 面臨的挑戰464
致謝464
參考文獻465

第五部分 高級算法

第22章 推薦系統中的偏好聚合46822.1 簡介468
22.2 推薦系統中的聚合類型468
22.2.1 協同過濾中的偏好聚合470
22.2.2 CB與UB推薦中的特性聚合470
22.2.3 CB與UB的配置文件構建470
22.2.4 物品和用戶相似度以及鄰居的形成471
22.2.5 基於實例推理的連接詞在推薦系統中的應用472
22.2.6 加權混合系統472
22.3 聚合函數概論472
22.3.1 定義和屬性472
22.3.2 聚合成員475
22.4 聚合函數的構建479
22.4.1 數據收集和處理479
22.4.2 期望屬性、語義、解釋480
22.4.3 函數表現的復雜度及其理解481
22.4.4 權重和參數的確定482
22.5 推薦系統中的復雜聚合過程：為特定應用定制482
22.6 總結485
22.7 進階閱讀485
致謝486
參考文獻486

第23章 推薦系統中的主動學習488
23.1 簡介488
23.1.1 推薦系統中主動學習的目標489
23.1.2 例證490
23.1.3 主動學習的類型490
23.2 數據集的屬性491
23.3 主動學習在推薦系統中的應用492
23.4 主動學習公式493
23.5 基於不確定性的主動學習495
23.5.1 輸出不確定性495
23.5.2 決策邊界不確定性496
23.5.3 模型不確定性497
23.6 基於誤差的主動學習498
23.6.1 基於實例的方法498
23.6.2 基於模型的方法500
23.7 基於組合的主動學習501
23.7.1 基於模型的方法501
23.7.2 基於候選的方法502
23.8 基於會話的主動學習504
23.8.1 基於實例的評論504
23.8.2 基於多樣性的方法504
23.8.3 基於查詢編輯的方法505
23.9 計算因素考慮505
23.10 總結505
致謝506
參考文獻506

第24章 多准則推薦系統510
24.1 簡介510
24.2 推薦作為多准則決策問題511
24.2.1 決策目標512
24.2.2 准則簇512
24.2.3 全局偏好模型513
24.2.4 決策支持流程513
24.3 推薦系統的MCDM框架：經驗教訓515
24.4 多准則評分推薦517
24.4.1 傳統的單值評分推薦問題517
24.4.2 引入多准則評分來擴展傳統推薦系統518
24.5 多准則評分推薦算法綜述519
24.5.1 預測中使用多准則評分519
24.5.2 推薦中使用多准則評分524
24.6 討論及未來工作526
24.7 總結527
致謝528
參考文獻528

第25章 具有健壯性的協同推薦533
25.1 簡介533
25.2 問題定義534
25.3 攻擊分類536
25.3.1 基礎攻擊536
25.3.2 非充分信息攻擊537
25.3.3 打壓攻擊模型537
25.3.4 知情攻擊模型538
25.4 檢測系統健壯性539
25.4.1 評估矩陣539
25.4.2 推舉攻擊540
25.4.3 打壓攻擊541
25.4.4 知情攻擊542
25.4.5 攻擊效果543
25.5 攻擊檢測543
25.5.1 評估矩陣544
25.5.2 單用戶檢測544
25.5.3 用戶組檢測545
25.5.4 檢測結果548
25.6 健壯的推薦算法548
25.6.1 基於模型的推薦548
25.6.2 健壯的矩陣分解算法549
25.6.3 其他具有健壯性的推薦算法549
25.6.4 影響力限制器和基於信譽的推薦550
25.7 總結550
致謝551
參考文獻551

本書貢獻者名單554
翻譯團隊名單560