推薦系​​統 第2版

目錄
第2版​​前言
第1版前言
第1章概述1
1.1推薦系統簡介1
1.1.1資訊超載1
1.1.2長尾效應2
1.1.3推薦系統的價值3
1.2推薦系統的發展歷史4
1.3典型應用場景5
1.3.1電商5
1.3.2新聞6
1.3.3音樂7
1.4推薦系統框架8
1.4.1用戶畫像9
1.4.2項目畫像10
1.5推薦演算法分類11
1.5.1基於演算法思想的分類11
1.5.2基於應用問題的分類14
習題15
第2章基於鄰域的協同過濾16
2.1協同過濾簡介16
2.1.1基本思想16
2.1.2演算法分類17
2.1.3一般流程17
2.2基於用戶的協同過濾18
2.2.1TopN推薦20
2.2.2評分預測23
2.3基於專案的協同過濾25
2.3.1TopN推薦26
2.3.2評分預測29
2.4基於距離的相似度量30
2.5鄰域的選取32
2.6Slope One演算法33
2.7基於二部圖的協同過濾34
2.7.1激活擴散模型35
2.7.2物質擴散模型37
2.7.3熱傳導模型39
2.7.4基於圖擴散的推薦系統42
習題43
第3章基於模型的協同過濾44
3.1基於關聯規則的協同過濾44
3.1.1基本概念45
3.1.2關聯規則度量45
3.1.3Apriori關聯規則探勘演算法47
3.1.4關聯規則的相關分析48
3.1.5基於關聯規則的推薦系統49
3.2基於矩陣分解的評分預測50
3.2.1奇異值分解50
3.2.2隱語意模型52
3.2.3機率矩陣分解57
3.2.4SVD 模型61
3.3基於矩陣分解的TopN建議62
3.3.1基於正樣本過取樣的矩陣分解62
3.3.2基於負樣本欠取樣的矩陣分解63
習題64
第4章基於內容與知識的推薦65
4.1基於內容的推薦系統架構65
4.2基於詞向量空間模型的文本表示67
4.2.1詞袋模型67
4.2.2TFIDF模型68
4.2.3模型改進71
4.2.4向量相似度量71
4.3基於語意的內容相似度72
4.3.1基於本體的文本相似度72
4.3.2基於網路知識的文本相似度73
4.3.3基於語料庫的文本相似度75
4.4基於知識的推薦77
4.4.1基於約束的推薦78
4.4.2基於效用的推薦81
4.4.3基於實例的推薦82
4.4.4基於知識庫的推薦84
習題86
第5章混合推薦系統87
5.1混合推薦實例－Netflix百萬美金公開賽87
5.2混合/組合推薦的動機89
5.2.1實務經驗89
5.2.2理論依據90
5.3混合/組合方法分類92
5.3.1有監督組合和無監督組合92
5.3.2基推薦器間依賴關係93
5.4並行式混合推薦94
5.4.1加權式混合94
5.4.2切換式混合95
5.4.3排序混合96
5.5串列式混合推薦97
5.5.1級聯過濾97
5.5.2級聯學習98
5.6整體式混合推薦99
5.6.1特徵組合99
5.6.2特徵擴充100
5.6.3基於圖模型的混合100
習題102
第6章推薦系統評測103
6.1評測視角103
6.2實驗方法104
6.2.1線上實驗104
6.2.2用戶調查105
6.2.3離線實驗106
6.3評分預測評估指標107
6.3.1MAE和MSE107
6.3.2RMSE、NMAE和NRMSE108
6.4TopN建議評估指標109
6.4.1分類準確度指標109
6.4.2ROC曲線和AUC值111
6.4.3基於排序的評估指標113
6.4.4其他常用評價指標115
6.5公開實驗資料集116
習題118
第7章基於排序學習的推薦119
7.1排序學習模型分類119
7.2對級排序學習模型121
7.2.1基本架構121
7.2.2貝葉斯個人化排序123
7.2.3協同對級排序學習125
7.3列表級排序學習模型129
7.3.1PPush CR演算法129
7.3.2CofiRank演算法131
習題133
第8章基於情境感知的推薦134
8.1情境資訊的定義134
8.2情境資訊的獲取136
8.3基於情境感知的推薦系統架構136
8.3.1數據立方體137
8.3.2基於樹的層次資訊表達138
8.4融合情境訊息的建議模式139
8.4.1情境預過濾140
8.4.2情境後過濾141
8.5情境建模141
8.5.1基於鄰域的方法142
8.5.2基於模型的方法143
習題146
第9章基於時空資訊的推薦147
9.1基於時間資訊的推薦147
9.1.1最近最熱門推薦演算法148
9.1.2基於時間的項目協同過濾148
9.1.3基於時間的使用者協同過濾149
9.1.4基於會話的推薦150
9.2基於序列感知的建議151
9.2.1基於馬可夫模型的序列預測152
9.2.2基於循環神經網路的序列預測155
9.2.3基於注意力機制的序列預測157
9.3基於空間資訊的推薦160
9.3.1位置資訊的獲取與推理161
9.3.2基於位置資訊的推薦161
9.3.3融合其他資訊的推薦163
習題163
第10章基於社交關係的推薦164
10.1社交關係數據164
10.2基於鄰域的社交化推薦166
10.2.1基於使用者的協同過濾166
10.2.2基於圖擴散的建議167
10.3基於模型的社交化推薦169
10.3.1基於潛在社交因子學習的建議169
10.3.2基於顯式社交關係的建議171
10.4基於社會曝光的協同過濾174
習題176
第11章基於異質資訊網路的推薦177
11.1基本概念177
11.2基於鄰域的HIN推薦演算法178
11.2.1基於隨機遊走的相關度量178
11.2.2基於元路徑的相關度量179
11.2.3基於元路徑和隨機遊走混合的相關度量183
11.3基於模型的HIN推薦演算法183
11.3.1兩階段融合模型183
11.3.2端到端的學習模型188
習題191
第12章基於圖神經網路的推薦192
12.1圖神經網路簡介192
12.1.1任務分類與定義193
12.1.2一般流程與架構194
12.1.3採樣模組195
12.1.4池化模組196
12.1.5傳播模組198
12.2圖神經網路典型演算法202
12.2.1GCN演算法202
12.2.2GraphSAGE演算法204
12.2.3GAT演算法205
12.3基於圖神經網路的推薦演算法207