推荐系统:技术、评估及高效算法(中文版) PDF 高清电子书 免费下载 完整版 在线阅读- 高飞网
推荐系统

推荐系统
技术、评估及高效算法

中文版
弗朗西斯科·里奇
推荐 算法
浏览人数:598 在读人数:31
  推荐系统是为用户推荐所需物品的软件工具和技术,对于在线处理信息过载是一个非常有价值的方法,并成为电子商务领域最强大和流行的工具之一。本书融合不同领域专家学者的理论成果和实践经验,从推荐系统相关技术、推荐系统的应用与评估、推荐系统的交互、推荐系统和社区及高级算法5个方面介绍推荐系统的主要概念、理论、方法、趋势、挑战和应用,详细阐释如何支持用户决策、计划和购买过程,帮助你梳理推荐系统的相关知识体系,并理解推荐系统的原理、算法及实现。

出版者的话   
推荐序一   
推荐序二   
译者序   
前言    2
第1章 概述   
1.1 简介   
1.2 推荐系统的功能   
1.3 数据和知识资源   
1.4 推荐技术   
1.5 应用与评价   
1.6 推荐系统与人机交互   
1.7 推荐系统是个交叉学科领域   
1.8 出现的问题和挑战   
第一部分 基础技术   
第2章 推荐系统中的数据挖掘方法   
2.1 简介   
2.2 数据预处理   
2.3 分类   
2.4 聚类分析   
2.5 关联规则挖掘   
2.6 总结   
第3章 基于内容的推荐系统:前沿和趋势   
3.1 简介   
3.2 基于内容的推荐系统的基础   
3.3 基于内容的推荐系统的现状   
3.4 趋势和未来研究   
3.5 总结   
第4章 基于近邻推荐方法综述   
4.1 简介   
4.2 基于近邻推荐   
4.3 近邻方法的要素   
4.4 高级进阶技术   
4.5 总结   
第5章 协同过滤算法的高级课题100    
5.1 简介   
5.2 预备知识   
5.3 因子分解模型   
5.4 基于邻域的模型   
5.5 增强的基于邻域的模型   
5.6 基于邻域的模型和因子分解模型的比较   
第6章 开发基于约束的推荐系统   
6.1 简介   
6.2 推荐知识库的开发   
6.3 推荐过程中的用户导向   
6.4 计算推荐结果   
6.5 项目和案例研究的经验   
6.6 未来的研究方法   
6.7 总结   
第7章 情境感知推荐系统   
7.1 简介   
7.2 推荐系统中的情境   
7.3 结合情境的推荐系统形式   
7.4 多种方法结合   
7.5 情境感知推荐系统的其他问题   
7.6 总结   
第二部分 推荐系统的应用与评估   
第8章 推荐系统评估   
8.1 简介   
8.2 实验设置   
8.3 推荐系统属性   
8.4 总结   
第9章 IPTV服务提供商推荐系统:一个大规模真实产品环境的应用203 9.1 简介   
9.2 IPTV架构   
9.3 推荐系统架构   
9.4 推荐算法   
9.5 推荐服务   
9.6 系统评价   
9.7 总结   
第10章 走出实验室的推荐系统   
10.1 简介   
10.2 设计现实环境中的推荐系统   
10.3 理解推荐系统的环境   
10.4 在迭代设计过程中理解推荐验证步骤   
10.5 应用实例:一个语义新闻推荐系统   
10.6 总结   
第11章 匹配推荐系统的技术与领域   
11.1 简介   
11.2 相关工作   
11.3 知识源   
11.4 领域   
11.5 知识源   
11.6 从领域到技术   
11.7 总结   
第12章 用于技术强化学习的推荐系统   
12.1 简介   
12.2 背景   
12.3 相关工作   
12.4 TEL推荐系统调查   
12.5 TEL推荐系统的评估   
12.6 总结与展望   
第三部分 推荐系统的影响   
第13章 基于评价推荐系统的进展   
13.1 简介   
13.2 早期:评价系统/已得益处   
13.3 评价系统的表述与检索挑战   
13.4 评价平台中的交互研究   
13.5 评价的评估:资源、方法和标准   
13.6 总结与展望   
第14章 构建更值得信任和具有说服力的推荐系统:特性对评估推荐系统的影响   
14.1 简介   
14.2 推荐系统作为社交角色   
14.3 来源可信度   
14.4 人际交互中信息特性的研究   
14.5 人机交互中的特性   
14.6 用户与推荐系统交互的特性   
14.7 讨论   
14.8 影响   
14.9 未来研究方向   
第15章 设计和评估推荐系统的解释   
15.1 简介   
15.2 指引   
15.3 专家系统的说明   
15.4 定义的目标   
15.5 评估解释在推荐系统的作用   
15.6 用推荐设计展示与互动   
15.7 解释风格   
15.8 总结与展望   
第16章 基于实例评价研究的产品推荐系统的可用性准则   
16.1 简介   
16.2 预备知识   
16.3 相关工作   
16.4 初始偏好提取   
16.5 通过实例激励用户表示偏好   
16.6 偏好修正   
16.7 展示策略   
16.8 准则验证模型   
16.9 总结   
第17章 基于示意图的产品目录可视化   
17.1 简介   
17.2 基于图的可视化方法   
17.3 产品目录图   
17.4 通过点击流分析决定属性权重   
17.5 图像购物界面   
17.6 电子商务应用   
17.7 总结与展望   
第四部分 推荐系统与群体   
第18章 个性化Web搜索中的群体、协作与推荐系统   
18.1 简介   
18.2 网络搜索历史简介   
18.3 网络搜索的未来   
18.4 案例研究1:基于群体的网络搜索   
18.5 案例研究2:网络搜索共享   
18.6 总结   
第19章 社会化标签推荐系统   
19.1 简介   
19.2 社会化标签推荐系统   
19.3 现实社会化标签推荐系统   
19.4 社会化标签系统的推荐算法   
19.5 算法比较   
19.6 总结与展望   
第20章 信任和推荐   
20.1 简介   
20.2 信任的表示与计算   
20.3 信任增强推荐系统   
20.4 进展和开放性挑战   
20.5 总结   
第21章 组推荐系统   
21.1 简介   
21.2 应用场景和群组推荐系统分类   
21.3 合并策略   
21.4 序列顺序的影响   
21.5 对情感状态建模   
21.6 情感状态在合并策略中的使用   
21.7 对单个用户进行组推荐   
21.8 总结与挑战   
第五部分 高级算法   
第22章 推荐系统中的偏好聚合468 22.1 简介   
22.2 推荐系统中的聚合类型   
22.3 聚合函数概论   
22.4 聚合函数的构建   
22.5 推荐系统中的复杂聚合过程:为特定应用定制   
22.6 总结   
22.7 进阶阅读   
第23章 推荐系统中的主动学习   
23.1 简介   
23.2 数据集的属性   
23.3 主动学习在推荐系统中的应用   
23.4 主动学习公式   
23.5 基于不确定性的主动学习   
23.6 基于误差的主动学习   
23.7 基于组合的主动学习   
23.8 基于会话的主动学习   
23.9 计算因素考虑   
23.10 总结   
第24章 多准则推荐系统   
24.1 简介   
24.2 推荐作为多准则决策问题   
24.3 推荐系统的MCDM框架:经验教训   
24.4 多准则评分推荐   
24.5 多准则评分推荐算法综述   
24.6 讨论及未来工作   
24.7 总结   
第25章 具有健壮性的协同推荐   
25.1 简介   
25.2 问题定义   
25.3 攻击分类   
25.4 检测系统健壮性   
25.5 攻击检测   
25.6 健壮的推荐算法   
25.7 总结   
本书贡献者名单   
翻译团队名单560   
看过本书的人还看过