推薦系統簡(jiǎn)介，目錄書(shū)摘

　　當你在網(wǎng)上瀏覽一件商品時(shí)，附近總會(huì )出現“購買(mǎi)此商品的顧客還購買(mǎi)過(guò)……”或“看過(guò)此商品的顧客還看過(guò)……”這樣的推薦信息。在這個(gè)物質(zhì)供應極度豐富的時(shí)代，對于顧客來(lái)說(shuō)，面對眾多令人眼花繚亂的商品，該選擇哪一個(gè)呢？于是，推薦商品起到了關(guān)鍵作用，而這些商品的背后就是推薦系統。
　　推薦系統的出現使人們能夠快速準確地發(fā)現他們感興趣的商品或信息，大大推動(dòng)了電子商務(wù)的成功以及互聯(lián)網(wǎng)的發(fā)展。推薦系統的應用不僅僅局限于電子商務(wù)，隨著(zhù)技術(shù)的不斷創(chuàng )新，它已經(jīng)滲透進(jìn)了互聯(lián)網(wǎng)的方方面面，從電影、音樂(lè )到社交網(wǎng)絡(luò )、閱讀以及廣告，幾乎每個(gè)角落都有推薦系統的身影。在未來(lái)的互聯(lián)網(wǎng)發(fā)展中，誰(shuí)掌握了推薦系統，誰(shuí)就會(huì )是大的贏(yíng)家。
　　《推薦系統》是一本全面講解推薦系統的經(jīng)典佳作，作者均為該領(lǐng)域的領(lǐng)軍人物。在《推薦系統》中，他們從協(xié)同推薦、基于內容的推薦、基于知識的推薦等多個(gè)方面，詳細介紹了推薦系統的基本概念，并在第二部分中對推薦系統的新發(fā)展進(jìn)行了講解。本書(shū)對如何開(kāi)發(fā)先進(jìn)的推薦系統，如何自動(dòng)提供各種各樣的選擇策略，進(jìn)而向客戶(hù)提供實(shí)惠、個(gè)性和高質(zhì)量的推薦做了概述。作者不僅介紹了生成個(gè)性化購買(mǎi)建議的算法，還對如何衡量推薦系統的有效性進(jìn)行了討論，并結合實(shí)際案例研究進(jìn)行了說(shuō)明。
　　

　　《推薦系統》全面闡述了開(kāi)發(fā)先進(jìn)推薦系統的方法，其中呈現了許多經(jīng)典算法，并討論了如何衡量推薦系統的有效性。書(shū)中內容分為基本概念和新進(jìn)展兩部分：前者涉及協(xié)同推薦、基于內容的推薦、基于知識的推薦、混合推薦方法，推薦系統的解釋、評估推薦系統和實(shí)例分析；后者包括針對推薦系統的攻擊、在線(xiàn)消費決策、推薦系統和下一代互聯(lián)網(wǎng)以及普適環(huán)境中的推薦。此外，本書(shū)還包含大量的圖、表和示例，有助于讀者理解和把握相關(guān)知識。
　　《推薦系統》適用于從事搜索引擎、推薦算法、數據挖掘等研發(fā)工作的專(zhuān)業(yè)人員以及對推薦系統感興趣的讀者。

　　Dietmar Jannach，德國的多特蒙德工業(yè)大學(xué)（Technische Universit?t Dortmund）計算機科學(xué)系客座教授。他發(fā)表過(guò)一百多篇科學(xué)論文，是《應用智能》雜志編委會(huì )和《國際電子商務(wù)雜志》評審委員會(huì )成員。

　　Markus Zanker，是奧地利克拉根福阿爾卑斯-亞德里大學(xué)（Alpen-Adria Universit?t Klagenfurt）應用信息學(xué)系助理教授及信息管理研究項目主任。他還是《人機交互研究國際雜志》的副主編和　  ConfigWorks GmbH的共同創(chuàng )始人及執行總監。

　　Alexander Felfernig，奧地利格拉茨工業(yè)大學(xué)（Technische Universit?t Graz）教授。他在推薦及配置系統方面的研究成果榮獲2009年度的Heinz Zemanek獎。他發(fā)表過(guò)130多篇科學(xué)論文，是《國際電子商務(wù)雜志》的評審委員會(huì )成員，ConfigWorks GmbH的共同創(chuàng )始人。

　　Gerhard Friedrich，奧地利克拉根福阿爾卑斯-亞德里大學(xué)客座教授，應用信息學(xué)院院長(cháng)，智能系統和商業(yè)信息課題組組長(cháng)?！度斯ぶ悄芡ㄐ拧返木庉?，《大規模定制國際雜志》的副主編。

第1章　引言
1.1　 第一部分：基本概念
1.1.1　 協(xié)同過(guò)濾推薦
1.1.2　 基于內容的推薦
1.1.3　 基于知識的推薦
1.1.4　 混合推薦方法
1.1.5　 推薦系統的解釋
1.1.6　 評估推薦系統
1.1.7　 案例研究
1.2　 第二部分：最新進(jìn)展

第一部分　基本概念
第2章　協(xié)同過(guò)濾推薦
2.1　 基于用戶(hù)的最近鄰推薦
2.1.1　 第一個(gè)例子
2.1.2　 更好的相似度和賦權體系
2.1.3　 選擇近鄰
2.2　 基于物品的最近鄰推薦
2.2.1　 余弦相似度度量
2.2.2　 基于物品過(guò)濾的數據預處理
2.3　 關(guān)于評分
2.3.1　 隱式和顯式評分
2.3.2　 數據稀疏和冷啟動(dòng)問(wèn)題
2.4　 更多基于模型和預處理的方法
2.4.1　 矩陣因子分解
2.4.2　 關(guān)聯(lián)規則挖掘
2.4.3　 基于概率分析的推薦方法
2.5　 近來(lái)實(shí)際的方法和系統
2.5.1　 Slope One預測器
2.5.2　 Google新聞個(gè)性化推薦引擎
2.6　 討論和小結
2.7　 書(shū)目注釋

第3章　基于內容的推薦
3.1　 內容表示和相似度
3.1.1　 向量空間模型和TF-IDF
3.1.2　 向量空間模型的改進(jìn)及局限
3.2　 基于內容相似度檢索
3.2.1　 最近鄰
3.2.2　 相關(guān)性反饋--Rocchio方法
3.3　 其他文本分類(lèi)方法
3.3.1　 基于概率模型的方法
3.3.2　 其他線(xiàn)性分類(lèi)器和機器學(xué)習
3.3.3　 顯式?jīng)Q策模型
3.3.4　 特征選擇
3.4　 討論
3.4.1　 對比評估
3.4.2　 局限
3.5　 小結
3.6　 書(shū)目注釋

第4章　基于知識的推薦
4.1　 介紹
4.2　 知識表示法和推理
4.2.1　 約束
4.2.2　 實(shí)例與相似度
4.3　 與基于約束推薦系統交互
4.3.1　 默認設置
4.3.2　 處理不滿(mǎn)意的需求和空結果集
4.3.3　 提出對未滿(mǎn)足需求的修改建議
4.3.4　 對基于物品/效用推薦結果的排序
4.4　 與基于實(shí)例的推薦系統交互
4.4.1　 評價(jià)
4.4.2　 混合評價(jià)
4.4.3　 動(dòng)態(tài)評價(jià)
4.4.4　 高級的物品推薦方法
4.4.5　 評價(jià)多樣性
4.5　 應用實(shí)例
4.5.1　 VITA--基于約束的推薦系統
4.5.2　 Entree--基于實(shí)例的推薦系統
4.6　 書(shū)目注釋

第5章　混合推薦方法
5.1　 混合推薦的時(shí)機
5.1.1　 推薦理論框架
5.1.2　 混合設計
5.2　 整體式混合設計
5.2.1　 特征組合的混合方案
5.2.2　 特征補充的混合方案
5.3　 并行式混合設計
5.3.1　 交叉式混合
5.3.2　 加權式混合
5.3.3　 切換式混合
5.4　 流水線(xiàn)混合設計
5.4.1　 串聯(lián)混合
5.4.2　 分級混合
5.5　 討論和小結
5.6　 書(shū)目注釋

第6章　推薦系統的解釋
6.1　 介紹
6.2　 基于約束的推薦系統中的解釋
6.2.1　 實(shí)例
6.2.2　 通過(guò)推導生成解釋
6.2.3　 可靠解釋的分析與概述
6.2.4　 可靠解釋
6.3　 基于實(shí)例推薦系統的解釋
6.4　 協(xié)同過(guò)濾推薦系統的解釋
6.5　 小結

第7章　評估推薦系統
7.1　 介紹
7.2　 評估研究的一般特性
7.2.1　 總論
7.2.2　 評估方案的實(shí)驗對象
7.2.3　 研究方法
7.2.4　 評估環(huán)境
7.3　 主流推薦方案
7.4　 歷史數據集評估
7.4.1　 方法論
7.4.2　 衡量標準
7.4.3　 結果的分析
7.5　 其他評估方案
7.5.1　 實(shí)驗性研究方案
7.5.2　 準實(shí)驗研究方案
7.5.3　 非實(shí)驗研究方案
7.6　 小結
7.7　 書(shū)目注釋

第8章　案例分析：移動(dòng)互聯(lián)網(wǎng)個(gè)性化游戲推薦
8.1　 應用與個(gè)性化概述
8.2　 算法和評級
8.3　 評估
8.3.1　 測量1：我的推薦
8.3.2　 測量2：售后推薦
8.3.3　 測量3：起始頁(yè)推薦
8.3.4　 測量4：演示版下載的整體效果
8.3.5　 測量5：整體效果
8.4　 小結與結論

第二部分　最新進(jìn)展
第9章　針對協(xié)同推薦系統的攻擊
9.1　 第一個(gè)例子
9.2　 攻擊維度
9.3　 攻擊類(lèi)型
9.3.1　 隨機攻擊
9.3.2　 均值攻擊
9.3.3　 造勢攻擊
9.3.4　 局部攻擊
9.3.5　 針對性的打壓攻擊
9.3.6　 點(diǎn)擊流攻擊和隱式反饋
9.4　 效果評估和對策
9.4.1　 推舉攻擊
9.4.2　 打壓攻擊
9.5　 對策
9.6　 隱私方面--分布式協(xié)同過(guò)濾
9.6.1　 集中方法：數據擾動(dòng)
9.6.2　 分布式協(xié)同過(guò)濾
9.7　 討論

第10章　在線(xiàn)消費決策
10.1　 介紹
10.2　 環(huán)境效應
10.3　 首位/新近效應
10.4　 其他效應
10.5　 個(gè)人和社會(huì )心理學(xué)
10.6　 書(shū)目注釋

第11章　推薦系統和下一代互聯(lián)網(wǎng)
11.1　 基于信任網(wǎng)絡(luò )的推薦系統
11.1.1　 利用顯式的信任網(wǎng)絡(luò )
11.1.2　 信任度度量方法和效果
11.1.3　 相關(guān)方法和近期進(jìn)展
11.2　 大眾分類(lèi)法及其他
11.2.1　 基于大眾分類(lèi)法的推薦
11.2.2　 推薦標簽
11.2.3　 在分享媒體中推薦內容
11.3　 本體過(guò)濾
11.3.1　 通過(guò)分類(lèi)改進(jìn)過(guò)濾
11.3.2　 通過(guò)屬性改進(jìn)過(guò)濾
11.4　 從網(wǎng)絡(luò )抽取語(yǔ)義
11.5　 小結

第12章　普適環(huán)境中的推薦
12.1　 介紹
12.2　 上下文感知推薦
12.3　 應用領(lǐng)域
12.4　 小結

第13章　總結和展望
13.1　 總結
13.2　 展望
參考文獻
索引