高等院校教师

目录
第2版前言
第1版前言
第1章概述1
1.1推荐系统简介1
1.1.1信息超载1
1.1.2长尾效应2
1.1.3推荐系统的价值3
1.2推荐系统的发展历史4
1.3典型应用场景5
1.3.1电商5
1.3.2新闻6
1.3.3音乐7
1.4推荐系统框架8
1.4.1用户画像9
1.4.2项目画像10
1.5推荐算法分类11
1.5.1基于算法思想的分类11
1.5.2基于应用问题的分类14
习题15
第2章基于邻域的协同过滤16
2.1协同过滤简介16
2.1.1基本思想16
2.1.2算法分类17
2.1.3一般流程17
2.2基于用户的协同过滤18
2.2.1TopN推荐20
2.2.2评分预测23
2.3基于项目的协同过滤25
2.3.1TopN推荐26
2.3.2评分预测29
2.4基于距离的相似度度量30
2.5邻域的选取32
2.6Slope One算法33
2.7基于二部图的协同过滤34
2.7.1激活扩散模型35
2.7.2物质扩散模型37
2.7.3热传导模型39
2.7.4基于图扩散的推荐系统42
习题43
第3章基于模型的协同过滤44
3.1基于关联规则的协同过滤44
3.1.1基本概念45
3.1.2关联规则度量45
3.1.3Apriori关联规则挖掘算法47
3.1.4关联规则的相关分析48
3.1.5基于关联规则的推荐系统49
3.2基于矩阵分解的评分预测50
3.2.1奇异值分解50
3.2.2隐语义模型52
3.2.3概率矩阵分解57
3.2.4SVD++模型61
3.3基于矩阵分解的TopN推荐62
3.3.1基于正样本过采样的矩阵分解62
3.3.2基于负样本欠采样的矩阵分解63
习题64
第4章基于内容和知识的推荐65
4.1基于内容的推荐系统框架65
4.2基于词向量空间模型的文本表示67
4.2.1词袋模型67
4.2.2TFIDF模型68
4.2.3模型改进71
4.2.4向量相似度度量71
4.3基于语义的内容相似度72
4.3.1基于本体的文本相似度72
4.3.2基于网络知识的文本相似度73
4.3.3基于语料库的文本相似度75
4.4基于知识的推荐77
4.4.1基于约束的推荐78
4.4.2基于效用的推荐81
4.4.3基于实例的推荐82
4.4.4基于知识库的推荐84
习题86
第5章混合推荐系统87
5.1混合推荐实例——Netflix百万美金公开赛87
5.2混合/组合推荐的动机89
5.2.1实践经验89
5.2.2理论依据90
5.3混合/组合方法分类92
5.3.1有监督组合和无监督组合92
5.3.2基推荐器间依赖关系93
5.4并行式混合推荐94
5.4.1加权式混合94
5.4.2切换式混合95
5.4.3排序混合96
5.5串行式混合推荐97
5.5.1级联过滤97
5.5.2级联学习98
5.6整体式混合推荐99
5.6.1特征组合99
5.6.2特征扩充100
5.6.3基于图模型的混合100
习题102
第6章推荐系统评测103
6.1评测视角103
6.2实验方法104
6.2.1在线实验104
6.2.2用户调查105
6.2.3离线实验106
6.3评分预测评价指标107
6.3.1MAE和MSE107
6.3.2RMSE、NMAE和NRMSE108
6.4TopN推荐评价指标109
6.4.1分类准确度指标109
6.4.2ROC曲线和AUC值111
6.4.3基于排序的评价指标113
6.4.4其他常用评价指标115
6.5公开实验数据集116
习题118
第7章基于排序学习的推荐119
7.1排序学习模型分类119
7.2对级排序学习模型121
7.2.1基本框架121
7.2.2贝叶斯个性化排序123
7.2.3协同对级排序学习125
7.3列表级排序学习模型129
7.3.1PPush CR算法129
7.3.2CofiRank算法131
习题133
第8章基于情境感知的推荐134
8.1情境信息的定义134
8.2情境信息的获取136
8.3基于情境感知的推荐系统框架136
8.3.1数据立方体137
8.3.2基于树的层次信息表达138
8.4融合情境信息的推荐模型139
8.4.1情境预过滤140
8.4.2情境后过滤141
8.5情境建模141
8.5.1基于邻域的方法142
8.5.2基于模型的方法143
习题146
第9章基于时空信息的推荐147
9.1基于时间信息的推荐147
9.1.1最近最热门推荐算法148
9.1.2基于时间的项目协同过滤148
9.1.3基于时间的用户协同过滤149
9.1.4基于会话的推荐150
9.2基于序列感知的推荐151
9.2.1基于马尔可夫模型的序列预测152
9.2.2基于循环神经网络的序列预测155
9.2.3基于注意力机制的序列预测157
9.3基于空间信息的推荐160
9.3.1位置信息的获取与推理161
9.3.2基于位置信息的推荐161
9.3.3融合其他信息的推荐163
习题163
第10章基于社交关系的推荐164
10.1社交关系数据164
10.2基于邻域的社交化推荐166
10.2.1基于用户的协同过滤166
10.2.2基于图扩散的推荐167
10.3基于模型的社交化推荐169
10.3.1基于潜在社交因子学习的推荐169
10.3.2基于显式社交关系的推荐171
10.4基于社会曝光的协同过滤174
习题176
第11章基于异质信息网络的推荐177
11.1基本概念177
11.2基于邻域的HIN推荐算法178
11.2.1基于随机游走的相关度度量178
11.2.2基于元路径的相关度度量179
11.2.3基于元路径和随机游走混合的相关度度量183
11.3基于模型的HIN推荐算法183
11.3.1两阶段融合模型183
11.3.2端到端的学习模型188
习题191
第12章基于图神经网络的推荐192
12.1图神经网络简介192
12.1.1任务分类与定义193
12.1.2一般流程与框架194
12.1.3采样模块195
12.1.4池化模块196
12.1.5传播模块198
12.2图神经网络典型算法202
12.2.1GCN算法202
12.2.2GraphSAGE算法204
12.2.3GAT算法205
12.3基于图神经网络的推荐算法207
12.3.1基于用户项目二部图的协同过滤207
12.3.2基于知识图谱的推荐209
习题211
实验1基于邻域协同过滤的TopN推荐212
实验2基于矩阵分解的评分预测216
实验3面向应用的推荐系统实现220
参考文献229