推薦系統(tǒng)是為用戶推薦所需物品的軟件工具和技術(shù)，對(duì)于在線處理信息過(guò)載是一個(gè)非常有價(jià)值的方法，并成為電子商務(wù)領(lǐng)域最強(qiáng)大和流行的工具之一。本書(shū)融合不同領(lǐng)域?qū)＜覍W(xué)者的理論成果和實(shí)踐經(jīng)驗(yàn)，從推薦系統(tǒng)相關(guān)技術(shù)、推薦系統(tǒng)的應(yīng)用與評(píng)估、推薦系統(tǒng)的交互、推薦系統(tǒng)和社區(qū)及高級(jí)算法5個(gè)方面介紹推薦系統(tǒng)的主要概念、理論、方法、趨勢(shì)、挑戰(zhàn)和應(yīng)用，詳細(xì)闡釋如何支持用戶決策、計(jì)劃和購(gòu)買過(guò)程，幫助你梳理推薦系統(tǒng)的相關(guān)知識(shí)體系，并理解推薦系統(tǒng)的原理、算法及實(shí)現(xiàn)。
融合不同領(lǐng)域?qū)＜覍W(xué)者的理論成果和實(shí)踐經(jīng)驗(yàn)，全面介紹推薦系統(tǒng)的主要概念、理論、趨勢(shì)、挑戰(zhàn)和應(yīng)用，詳細(xì)闡釋如何支持用戶決策、計(jì)劃和購(gòu)買過(guò)程。
推薦系統(tǒng)是為用戶推薦所需物品的軟件工具和技術(shù)。提供的推薦旨在通過(guò)各種決策過(guò)程來(lái)支持用戶，例如，買什么物品、聽(tīng)什么歌或者讀什么新聞。推薦系統(tǒng)對(duì)于在線用戶處理信息過(guò)載是一個(gè)非常有價(jià)值的方法，并成為電子商務(wù)領(lǐng)域最強(qiáng)大和流行的工具。因此，人們提出了各種各樣的推薦技術(shù)，并在過(guò)去的10年中將其中很多方法成功地運(yùn)用在商務(wù)領(lǐng)域。
推薦系統(tǒng)的發(fā)展需要多學(xué)科的支持，涉及來(lái)自各個(gè)領(lǐng)域的專家知識(shí)，如人工智能、人機(jī)交互、信息檢索、數(shù)據(jù)挖掘、數(shù)據(jù)統(tǒng)計(jì)、自適應(yīng)用戶界面、決策支持系統(tǒng)、市場(chǎng)營(yíng)銷或消費(fèi)者行為等。本書(shū)旨在基于這種多樣性，通過(guò)展示推薦系統(tǒng)的主要概念、理論、方法論、趨勢(shì)、挑戰(zhàn)和應(yīng)用等連貫而又統(tǒng)一的知識(shí)體系，幫助讀者從差異之中梳理出頭緒。這是第一本全面闡述推薦系統(tǒng)的書(shū)，其中覆蓋了主要技術(shù)的多個(gè)方面。本書(shū)中的豐富信息和實(shí)踐內(nèi)容為研究人員、學(xué)生和行業(yè)中的實(shí)踐者提供了一個(gè)有關(guān)推薦系統(tǒng)的全面但簡(jiǎn)潔方便的參考源。本書(shū)不僅詳細(xì)介紹了經(jīng)典方法，而且介紹了最近引進(jìn)的新方法及其擴(kuò)展。本書(shū)由五部分組成：技術(shù)、推薦系統(tǒng)的應(yīng)用和評(píng)估、推薦系統(tǒng)的交互、推薦系統(tǒng)和社區(qū)及高級(jí)算法。第一部分展示了如今構(gòu)建推薦系統(tǒng)的最流行和最基礎(chǔ)的技術(shù)，如協(xié)同過(guò)濾、基于內(nèi)容的過(guò)濾、數(shù)據(jù)挖掘方法和基于情境感知的方法。第二部分首先介紹用來(lái)評(píng)估推薦質(zhì)量的研究技術(shù)和方法；其次說(shuō)明了設(shè)計(jì)推薦系統(tǒng)的實(shí)際方面，如設(shè)計(jì)和實(shí)現(xiàn)的考慮，選擇更合適算法的環(huán)境指南；再次討論了可能影響設(shè)計(jì)的相關(guān)方面；最后探討了應(yīng)用在已成型系統(tǒng)評(píng)估上的方法、挑戰(zhàn)和估量。第三部分包括了探討一系列問(wèn)題的文章，這些問(wèn)題包括推薦的展示、瀏覽、解釋和視覺(jué)化，以及使得推薦過(guò)程更結(jié)構(gòu)化和方便的技術(shù)等。
弗朗西斯科·里奇（Francesco Ricci），意大利博爾扎諾自由大學(xué)計(jì)算機(jī)科學(xué)副教授。目前他的研究興趣包括推薦系統(tǒng)、智能接口、移動(dòng)系統(tǒng)、機(jī)器學(xué)習(xí)、案例推理、信息和通信技術(shù)在旅游中的應(yīng)用。他是《Journal of Information Technology and Tourism》雜志的編委，還是ACM和IEEE會(huì)員。他還是ACM會(huì)議推薦系統(tǒng)分會(huì)的指導(dǎo)委員會(huì)成員。
利奧·羅卡奇（Lior Rokach），以色列本-古里安大學(xué)信息系統(tǒng)工程系助理教授。他是智能信息系統(tǒng)方面公認(rèn)的專家，在這一領(lǐng)域處于世界領(lǐng)先地位。他的主要研究領(lǐng)域包括數(shù)據(jù)挖掘、模式識(shí)別和推薦系統(tǒng)。他的70篇論文被主流期刊、會(huì)議和書(shū)籍等引用。
布拉哈·夏皮拉（Bracha Shapira），以色列本-古里安大學(xué)信息系統(tǒng)工程系助理教授。目前她的研究興趣包括推薦系統(tǒng)、信息檢索、個(gè)性化、用戶建模和社交網(wǎng)絡(luò)。她是本-古里安大學(xué)德國(guó)電信實(shí)驗(yàn)室研究項(xiàng)目負(fù)責(zé)人，并且還是ACM和IEEE會(huì)員。
保羅 B. 坎特（Paul Kantor），羅格斯大學(xué)通信與信息學(xué)院情報(bào)學(xué)教授，兼任計(jì)算機(jī)科學(xué)系和RUTCOR中心運(yùn)籌學(xué)教授。目前他的研究興趣包括協(xié)作信息發(fā)現(xiàn)、文本分類、文本或圖像索引和檢索。他是美國(guó)科學(xué)促進(jìn)會(huì)會(huì)士，ACM、IEEE和ASIST會(huì)員。他的研究得到了美國(guó)NSF和國(guó)土安全部等機(jī)構(gòu)的支持。
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(jiǎn)介1
1.2 推薦系統(tǒng)的功能3
1.3 數(shù)據(jù)和知識(shí)資源5
1.4 推薦技術(shù)7
1.5 應(yīng)用與評(píng)價(jià)10
1.6 推薦系統(tǒng)與人機(jī)交互12
1.6.1 信任、解釋和說(shuō)服力13
1.6.2 會(huì)話系統(tǒng)13
1.6.3 可視化14
1.7 推薦系統(tǒng)是個(gè)交叉學(xué)科領(lǐng)域15
1.8 出現(xiàn)的問(wèn)題和挑戰(zhàn)16
1.8.1 本書(shū)對(duì)出現(xiàn)的問(wèn)題的討論16
1.8.2 挑戰(zhàn)18
參考文獻(xiàn)20
第一部分 基礎(chǔ)技術(shù)
第2章 推薦系統(tǒng)中的數(shù)據(jù)挖掘方法28
2.1 簡(jiǎn)介28
2.2 數(shù)據(jù)預(yù)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(shù)35
2.3.3 基于規(guī)則的分類36
2.3.4 貝葉斯分類器36
2.3.5 人工神經(jīng)網(wǎng)絡(luò)38
2.3.6 支持向量機(jī)39
2.3.7 分類器的集成40
2.3.8 評(píng)估分類器41
2.4 聚類分析42
2.4.1 k-means43
2.4.2 改進(jìn)的k-means44
2.5 關(guān)聯(lián)規(guī)則挖掘44
2.6 總結(jié)46
致謝47
參考文獻(xiàn)47
第3章 基于內(nèi)容的推薦系統(tǒng)：前沿和趨勢(shì)51
3.1 簡(jiǎn)介51
3.2 基于內(nèi)容的推薦系統(tǒng)的基礎(chǔ)52
3.2.1 基于內(nèi)容的推薦系統(tǒng)的高層次結(jié)構(gòu)52
3.2.2 基于內(nèi)容過(guò)濾的優(yōu)缺點(diǎn)54
3.3 基于內(nèi)容的推薦系統(tǒng)的現(xiàn)狀55
3.3.1 物品表示56
3.3.2 學(xué)習(xí)用戶特征的方法62
3.4 趨勢(shì)和未來(lái)研究65
3.4.1 推薦過(guò)程中用戶產(chǎn)生內(nèi)容的作用65
3.4.2 超越特化：驚喜度66
3.5 總結(jié)68
參考文獻(xiàn)68
第4章 基于近鄰?fù)扑]方法綜述74
4.1 簡(jiǎn)介74
4.1.1 問(wèn)題公式化定義75
4.1.2 推薦方法概要76
4.1.3 基于近鄰方法的優(yōu)勢(shì)77
4.1.4 目標(biāo)和概要78
4.2 基于近鄰?fù)扑]78
4.2.1 基于用戶評(píng)分79
4.2.2 基于用戶分類80
4.2.3 回歸與分類80
4.2.4 基于物品推薦81
4.2.5 基于用戶和基于物品推薦的對(duì)比81
4.3 近鄰方法的要素83
4.3.1 評(píng)分標(biāo)準(zhǔn)化83
4.3.2 相似度權(quán)重計(jì)算85
4.3.3 近鄰的選擇89
4.4 高級(jí)進(jìn)階技術(shù)90
4.4.1 降維方法90
4.4.2 基于圖方法92
4.5 總結(jié)95
參考文獻(xiàn)96
第5章 協(xié)同過(guò)濾算法的高級(jí)課題100 5.1
簡(jiǎn)介100
5.2 預(yù)備知識(shí)101
5.2.1 基準(zhǔn)預(yù)測(cè)102
5.2.2 Netflix數(shù)據(jù)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(shí)間敏感的因子模型106
5.3.4 比較111
5.3.5 總結(jié)112
5.4 基于鄰域的模型112
5.4.1 相似度度量113
5.4.2 基于相似度的插值113
5.4.3 聯(lián)合派生插值權(quán)重115
5.4.4 總結(jié)117
5.5 增強(qiáng)的基于鄰域的模型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 基于鄰域的模型的動(dòng)態(tài)時(shí)序126
5.5.4 總結(jié)127
5.6 基于鄰域的模型和因子分解模型的比較127
參考文獻(xiàn)129
第6章 開(kāi)發(fā)基于約束的推薦系統(tǒng)131
6.1 簡(jiǎn)介131
6.2 推薦知識(shí)庫(kù)的開(kāi)發(fā)133
6.3 推薦過(guò)程中的用戶導(dǎo)向137
6.4 計(jì)算推薦結(jié)果142
6.5 項(xiàng)目和案例研究的經(jīng)驗(yàn)143
6.6 未來(lái)的研究方法144
6.7 總結(jié)147
參考文獻(xiàn)147
第7章 情境感知推薦系統(tǒng)151
7.1 簡(jiǎn)介151
7.2 推薦系統(tǒng)中的情境152
7.2.1 什么是情境152
7.2.2 在推薦系統(tǒng)實(shí)現(xiàn)情境信息的建模155
7.2.3 獲取情境信息158
7.3 結(jié)合情境的推薦系統(tǒng)形式159
7.3.1 情境預(yù)過(guò)濾161
7.3.2 情境后過(guò)濾163
7.3.3 情境建模164
7.4 多種方法結(jié)合167
7.4.1 組合預(yù)過(guò)濾器案例研究：算法168
7.4.2 組合預(yù)過(guò)濾器案例研究：實(shí)驗(yàn)結(jié)果168
7.5 情境感知推薦系統(tǒng)的其他問(wèn)題170
7.6 總結(jié)171
致謝171
參考文獻(xiàn)172
第二部分 推薦系統(tǒng)的應(yīng)用與評(píng)估
第8章 推薦系統(tǒng)評(píng)估176
8.1 簡(jiǎn)介176
8.2 實(shí)驗(yàn)設(shè)置177
8.2.1 離線實(shí)驗(yàn)178
8.2.2 用戶調(diào)查180
8.2.3 在線評(píng)估182
8.2.4 得出可靠結(jié)論182
8.3 推薦系統(tǒng)屬性185
8.3.1 用戶偏好185
8.3.2 預(yù)測(cè)準(zhǔn)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(fēng)險(xiǎn)197
8.3.11 健壯性197
8.3.12 隱私198
8.3.13 適應(yīng)性198
8.3.14 可擴(kuò)展性199
8.4 總結(jié)199
參考文獻(xiàn)199
第9章 IPTV服務(wù)提供商推薦系統(tǒng)：一個(gè)大規(guī)模真實(shí)產(chǎn)品環(huán)境的應(yīng)用203 9.1 簡(jiǎn)介203
9.2 IPTV架構(gòu)204
9.3 推薦系統(tǒng)架構(gòu)206
9.3.1 數(shù)據(jù)搜集206
9.3.2 批處理和實(shí)時(shí)階段207
9.4 推薦算法208
9.4.1 推薦算法概述209
9.4.2 基于內(nèi)容隱語(yǔ)義分析算法210
9.4.3 基于物品的協(xié)同過(guò)濾算法213
9.4.4 基于降維的協(xié)同過(guò)濾算法214
9.5 推薦服務(wù)215
9.6 系統(tǒng)評(píng)價(jià)216
9.6.1 離線分析218
9.6.2 在線分析220
9.7 總結(jié)223
參考文獻(xiàn)223
第10章 走出實(shí)驗(yàn)室的推薦系統(tǒng)225
10.1 簡(jiǎn)介225
10.2 設(shè)計(jì)現(xiàn)實(shí)環(huán)境中的推薦系統(tǒng)225
10.3 理解推薦系統(tǒng)的環(huán)境226
10.3.1 應(yīng)用模型226
10.3.2 用戶建模230
10.3.3 數(shù)據(jù)模型233
10.3.4 一個(gè)使用環(huán)境模型的方法235
10.4 在迭代設(shè)計(jì)過(guò)程中理解推薦驗(yàn)證步驟236
10.4.1 算法的驗(yàn)證236
10.4.2 推薦結(jié)果的驗(yàn)證237
10.5 應(yīng)用實(shí)例：一個(gè)語(yǔ)義新聞推薦系統(tǒng)240
10.5.1 背景：MESH工程240
10.5.2 MESH的環(huán)境模型240
10.5.3 實(shí)踐：模型的迭代實(shí)例化243
10.6 總結(jié)244
參考文獻(xiàn)244
第11章 匹配推薦系統(tǒng)的技術(shù)與領(lǐng)域247
11.1 簡(jiǎn)介247
11.2 相關(guān)工作247
11.3 知識(shí)源248
11.4 領(lǐng)域250
11.4.1 異構(gòu)性250
11.4.2 風(fēng)險(xiǎn)性251
11.4.3 變動(dòng)性251
11.4.4 交互風(fēng)格251
11.4.5 偏好穩(wěn)定性251
11.4.6 可理解性252
11.5 知識(shí)源252
11.5.1 社群知識(shí)252
11.5.2 個(gè)人知識(shí)253
11.5.3 基于內(nèi)容的知識(shí)253
11.6 從領(lǐng)域到技術(shù)254
11.6.1 算法255
11.6.2 抽樣推薦領(lǐng)域256
11.7 總結(jié)257
致謝257
參考文獻(xiàn)257
第12章 用于技術(shù)強(qiáng)化學(xué)習(xí)的推薦系統(tǒng)261
12.1 簡(jiǎn)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(biāo)263
12.3 相關(guān)工作264
12.3.1 自適應(yīng)教育超媒體264
12.3.2 學(xué)習(xí)網(wǎng)絡(luò)265
12.3.3 相同點(diǎn)與不同點(diǎn)267
12.4 TEL推薦系統(tǒng)調(diào)查268
12.5 TEL推薦系統(tǒng)的評(píng)估271
12.5.1 對(duì)組件的評(píng)估272
12.5.2 評(píng)估TEL推薦系統(tǒng)時(shí)需要考慮的問(wèn)題273
12.6 總結(jié)與展望274
致謝274
參考文獻(xiàn)275
第三部分 推薦系統(tǒng)的影響
第13章 基于評(píng)價(jià)推薦系統(tǒng)的進(jìn)展282
13.1 簡(jiǎn)介282
13.2 早期：評(píng)價(jià)系統(tǒng)/已得益處282
13.3 評(píng)價(jià)系統(tǒng)的表述與檢索挑戰(zhàn)283
13.3.1 評(píng)價(jià)表述的方式283
13.3.2 基于評(píng)價(jià)的推薦系統(tǒng)中的檢索挑戰(zhàn)289
13.4 評(píng)價(jià)平臺(tái)中的交互研究293
13.4.1 擴(kuò)展到其他評(píng)價(jià)平臺(tái)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(yīng)性和分區(qū)動(dòng)態(tài)性297
13.4.5 關(guān)于多文化的適用性的差異298
13.5 評(píng)價(jià)的評(píng)估：資源、方法和標(biāo)準(zhǔn)298
13.5.1 資源和方法298
13.5.2 評(píng)估標(biāo)準(zhǔn)299
13.6 總結(jié)與展望300
參考文獻(xiàn)301
第14章 構(gòu)建更值得信任和具有說(shuō)服力的推薦系統(tǒng)：特性對(duì)評(píng)估推薦系統(tǒng)的影響305
14.1 簡(jiǎn)介305
14.2 推薦系統(tǒng)作為社交角色306
14.3 來(lái)源可信度306
14.3.1 可信度306
14.3.2 專業(yè)能力307
14.3.3 對(duì)來(lái)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(quán)威的象征308
14.4.4 演講的風(fēng)格308
14.4.5 外在吸引力308
14.4.6 幽默309
14.5 人機(jī)交互中的特性309
14.6 用戶與推薦系統(tǒng)交互的特性309
14.6.1 推薦系統(tǒng)類型310
14.6.2 輸入特性310
14.6.3 過(guò)程特性311
14.6.4 輸出特性311
14.6.5 內(nèi)嵌的智能體特性312
14.7 討論312
14.8 影響313
14.9 未來(lái)研究方向314
參考文獻(xiàn)314
第15章 設(shè)計(jì)和評(píng)估推薦系統(tǒng)的解釋321
15.1 簡(jiǎn)介321
15.2 指引322
15.3 專家系統(tǒng)的說(shuō)明322
15.4 定義的目標(biāo)322
15.4.1 系統(tǒng)如何工作:透明性324
15.4.2 允許用戶告訴系統(tǒng)它是錯(cuò)誤的：被理解324
15.4.3 增加用戶對(duì)系統(tǒng)上的信任：信任度325
15.4.4 說(shuō)服用戶嘗試或購(gòu)買：說(shuō)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(tǒng)的應(yīng)用愉悅：滿意度328
15.5 評(píng)估解釋在推薦系統(tǒng)的作用329
15.5.1 精準(zhǔn)度329
15.5.2 學(xué)習(xí)效率329
15.5.3 覆蓋度330
15.5.4 接受度330
15.6 用推薦設(shè)計(jì)展示與互動(dòng)330
15.6.1 展示推薦330
15.6.2 與推薦系統(tǒng)交互331
15.7 解釋風(fēng)格332
15.7.1 基于協(xié)同風(fēng)格333
15.7.2 基于內(nèi)容風(fēng)格334
15.7.3 基于案例風(fēng)格334
15.7.4 基于知識(shí)/自然語(yǔ)言風(fēng)格335
15.7.5 基于人口統(tǒng)計(jì)風(fēng)格335
15.8 總結(jié)與展望336
參考文獻(xiàn)337
第16章 基于實(shí)例評(píng)價(jià)研究的產(chǎn)品推薦系統(tǒng)的可用性準(zhǔn)則340
16.1 簡(jiǎn)介340
16.2 預(yù)備知識(shí)341
16.2.1 交互模型341
16.2.2 基于效用的推薦系統(tǒng)342
16.2.3 準(zhǔn)確率、信任度和代價(jià)的框架344
16.2.4 本章結(jié)構(gòu)344
16.3 相關(guān)工作345
16.3.1 推薦系統(tǒng)分類345
16.3.2 基于評(píng)分的推薦系統(tǒng)345
16.3.3 基于案例的推薦系統(tǒng)345
16.3.4 基于效用的推薦系統(tǒng)345
16.3.5 基于評(píng)價(jià)的推薦系統(tǒng)346
16.3.6 其他設(shè)計(jì)指導(dǎo)準(zhǔn)則346
16.4 初始偏好提取347
16.5 通過(guò)實(shí)例激勵(lì)用戶表示偏好349
16.5.1 需要多少實(shí)例350
16.5.2 需要哪些實(shí)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(quán)衡輔助353
16.7 展示策略354
16.7.1 一次推薦一項(xiàng)物品354
16.7.2 推薦k項(xiàng)最匹配的物品355
16.7.3 解釋界面355
16.8 準(zhǔn)則驗(yàn)證模型357
16.9 總結(jié)359
參考文獻(xiàn)359
第17章 基于示意圖的產(chǎn)品目錄可視化363
17.1 簡(jiǎn)介363
17.2 基于圖的可視化方法364
17.2.1 自組織映射364
17.2.2 樹(shù)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(chǎn)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(guò)點(diǎn)擊流分析決定屬性權(quán)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(quán)值371
17.4.4 階梯式泊松回歸模型371
17.5 圖像購(gòu)物界面372
17.6 電子商務(wù)應(yīng)用373
17.6.1 使用屬性權(quán)值的基于MDS的產(chǎn)品目錄圖373
17.6.2 基于NL-PCA的產(chǎn)品目錄圖375
17.6.3 圖像購(gòu)物界面377
17.7 總結(jié)與展望379
致謝380
參考文獻(xiàn)380
第四部分 推薦系統(tǒng)與群體
第18章 個(gè)性化Web搜索中的群體、協(xié)作與推薦系統(tǒng)384
18.1 簡(jiǎn)介384
18.2 網(wǎng)絡(luò)搜索歷史簡(jiǎn)介385
18.3 網(wǎng)絡(luò)搜索的未來(lái)387
18.3.1 個(gè)性化網(wǎng)絡(luò)搜索387
18.3.2 協(xié)同信息檢索390
18.3.3 向社交搜索前進(jìn)392
18.4 案例研究1：基于群體的網(wǎng)絡(luò)搜索392
18.4.1 搜索群體中的重復(fù)性和規(guī)律性392
18.4.2 協(xié)同網(wǎng)絡(luò)搜索系統(tǒng)393
18.4.3 評(píng)估395
18.4.4 討論396
18.5 案例研究2：網(wǎng)絡(luò)搜索共享396
18.5.1 HeyStaks系統(tǒng)397
18.5.2 HeyStaks推薦引擎399
18.5.3 評(píng)估400
18.5.4 討論402
18.6 總結(jié)402
致謝403
參考文獻(xiàn)403
第19章 社會(huì)化標(biāo)簽推薦系統(tǒng)409
19.1 簡(jiǎn)介409
19.2 社會(huì)化標(biāo)簽推薦系統(tǒng)410
19.2.1 大眾分類法410
19.2.2 傳統(tǒng)推薦系統(tǒng)范式411
19.2.3 多模式推薦412
19.3 現(xiàn)實(shí)社會(huì)化標(biāo)簽推薦系統(tǒng)413
19.3.1 有哪些挑戰(zhàn)413
19.3.2 案例BibSonomy413
19.3.3 標(biāo)簽獲取415
19.4 社會(huì)化標(biāo)簽系統(tǒng)的推薦算法416
19.4.1 協(xié)同過(guò)濾416
19.4.2 基于排序的推薦418
19.4.3 基于內(nèi)容的社會(huì)化標(biāo)簽推薦系統(tǒng)421
19.4.4 評(píng)估方案和評(píng)估度量423
19.5 算法比較424
19.6 總結(jié)與展望426
參考文獻(xiàn)427
第20章 信任和推薦430
20.1 簡(jiǎn)介430
20.2 信任的表示與計(jì)算431
20.2.1 信任表示431
20.2.2 信任計(jì)算433
20.3 信任增強(qiáng)推薦系統(tǒng)436
20.3.1 動(dòng)機(jī)436
20.3.2 進(jìn)展437
20.3.3 實(shí)驗(yàn)比較441
20.4 進(jìn)展和開(kāi)放性挑戰(zhàn)445
20.5 總結(jié)446
參考文獻(xiàn)446
第21章 組推薦系統(tǒng)449
21.1 簡(jiǎn)介449
21.2 應(yīng)用場(chǎng)景和群組推薦系統(tǒng)分類450
21.3 合并策略452
21.4 序列順序的影響455
21.5 對(duì)情感狀態(tài)建模456
21.6 情感狀態(tài)在合并策略中的使用459
21.7 對(duì)單個(gè)用戶進(jìn)行組推薦460
21.8 總結(jié)與挑戰(zhàn)462
致謝464
參考文獻(xiàn)465
第五部分 高級(jí)算法
第22章 推薦系統(tǒng)中的偏好聚合468 22.1 簡(jiǎn)介468
22.2 推薦系統(tǒng)中的聚合類型468
22.3 聚合函數(shù)概論472
22.4 聚合函數(shù)的構(gòu)建479
22.5 推薦系統(tǒng)中的復(fù)雜聚合過(guò)程:為特定應(yīng)用定制482
22.6 總結(jié)485
22.7 進(jìn)階閱讀485
致謝486
參考文獻(xiàn)486
第23章 推薦系統(tǒng)中的主動(dòng)學(xué)習(xí)488
23.1 簡(jiǎn)介488
23.2 數(shù)據(jù)集的屬性491
23.3 主動(dòng)學(xué)習(xí)在推薦系統(tǒng)中的應(yīng)用492
23.4 主動(dòng)學(xué)習(xí)公式493
23.5 基于不確定性的主動(dòng)學(xué)習(xí)495
23.6 基于誤差的主動(dòng)學(xué)習(xí)498
23.7 基于組合的主動(dòng)學(xué)習(xí)501
23.8 基于會(huì)話的主動(dòng)學(xué)習(xí)504
23.9 計(jì)算因素考慮505
23.10 總結(jié)505
致謝506
參考文獻(xiàn)506
第24章 多準(zhǔn)則推薦系統(tǒng)510
24.1 簡(jiǎn)介510
24.2 推薦作為多準(zhǔn)則決策問(wèn)題511
24.3 推薦系統(tǒng)的MCDM框架:經(jīng)驗(yàn)教訓(xùn)515
24.4 多準(zhǔn)則評(píng)分推薦517
24.5 多準(zhǔn)則評(píng)分推薦算法綜述519
24.6 討論及未來(lái)工作526
24.7 總結(jié)527
致謝528
參考文獻(xiàn)528
第25章 具有健壯性的協(xié)同推薦533
25.1 簡(jiǎn)介533
25.2 問(wèn)題定義534
25.3 攻擊分類536
25.4 檢測(cè)系統(tǒng)健壯性539
25.5 攻擊檢測(cè)543
25.6 健壯的推薦算法548
25.7 總結(jié)550
致謝551
參考文獻(xiàn)551
本書(shū)貢獻(xiàn)者名單554
翻譯團(tuán)隊(duì)名單560
基于物品的權(quán)重（wij和cij）反映了物品的固有特點(diǎn)，因此不會(huì)隨時(shí)間變化。學(xué)習(xí)過(guò)程應(yīng)該捕獲無(wú)偏的長(zhǎng)期值，而不應(yīng)該過(guò)多地受隨時(shí)間變化的方面的影響。實(shí)際上，如果處理不當(dāng)，數(shù)據(jù)隨時(shí)間變化的本性將掩蓋大部分長(zhǎng)期的基于物品的關(guān)系。例如，一個(gè)用戶在一個(gè)時(shí)間周期內(nèi)同時(shí)對(duì)物品i和j給予了很高的評(píng)分，這將是這兩個(gè)物品有關(guān)聯(lián)的一個(gè)很好的指示，因此wij。的值就較高。另一方面，盡管用戶的興趣（如果其身份不變）會(huì)隨著時(shí)間改變，如果那兩個(gè)評(píng)分給出的時(shí)間相隔了5年，這并不能表明這兩個(gè)物品間有關(guān)系。此外，我們認(rèn)為這些考慮幾乎是依賴用戶的；一些用戶的興趣比其他用戶更加一致，并允許把他們的長(zhǎng)期行為關(guān)聯(lián)起來(lái)。
我們的目標(biāo)是為基于物品的權(quán)重提取準(zhǔn)確值，盡管有時(shí)間效應(yīng)的影響。首先我們需要把用戶u評(píng)分的兩個(gè)物品之間的不斷衰弱的關(guān)聯(lián)參數(shù)化。我們采用函數(shù)e—βit·△t形式的指數(shù)衰減，其中βu>0，該參數(shù)控制了特定用戶的衰減速度并從數(shù)據(jù)中學(xué)習(xí)得到。我們也以其他衰減形式進(jìn)行試驗(yàn)，比如，更加容易計(jì)算的（1+βu△t）—1，使用該衰減形式的結(jié)果具有相同的準(zhǔn)確度，同時(shí)又降低了運(yùn)行時(shí)間。
新書(shū)資訊