發表於2024-11-05
當你在網上瀏覽一件商品時,附近總會齣現“購買此商品的顧客還購買過……”或“看過此商品的顧客還看過……”這樣的推薦信息。在這個物質供應極度豐富的時代,對於顧客來說,麵對眾多令人眼花繚亂的商品,該選擇哪一個呢?於是,推薦商品起到瞭關鍵作用,而這些商品的背後就是推薦係統。
推薦係統的齣現使人們能夠快速準確地發現他們感興趣的商品或信息,大大推動瞭電子商務的成功以及互聯網的發展。推薦係統的應用不僅僅局限於電子商務,隨著技術的不斷創新,它已經滲透進瞭互聯網的方方麵麵,從電影、音樂到社交網絡、閱讀以及廣告,幾乎每個角落都有推薦係統的身影。在未來的互聯網發展中,誰掌握瞭推薦係統,誰就會是大的贏傢。
《推薦係統》是一本全麵講解推薦係統的經典佳作,作者均為該領域的領軍人物。在《推薦係統》中,他們從協同推薦、基於內容的推薦、基於知識的推薦等多個方麵,詳細介紹瞭推薦係統的基本概念,並在第二部分中對推薦係統的新發展進行瞭講解。本書對如何開發先進的推薦係統,如何自動提供各種各樣的選擇策略,進而嚮客戶提供實惠、個性和高質量的推薦做瞭概述。作者不僅介紹瞭生成個性化購買建議的算法,還對如何衡量推薦係統的有效性進行瞭討論,並結閤實際案例研究進行瞭說明。
《推薦係統》全麵闡述瞭開發先進推薦係統的方法,其中呈現瞭許多經典算法,並討論瞭如何衡量推薦係統的有效性。書中內容分為基本概念和新進展兩部分:前者涉及協同推薦、基於內容的推薦、基於知識的推薦、混閤推薦方法,推薦係統的解釋、評估推薦係統和實例分析;後者包括針對推薦係統的攻擊、在綫消費決策、推薦係統和下一代互聯網以及普適環境中的推薦。此外,本書還包含大量的圖、錶和示例,有助於讀者理解和把握相關知識。
《推薦係統》適用於從事搜索引擎、推薦算法、數據挖掘等研發工作的專業人員以及對推薦係統感興趣的讀者。
Dietmar Jannach,德國的多特濛德工業大學(Technische Universit?t Dortmund)計算機科學係客座教授。他發錶過一百多篇科學論文,是《應用智能》雜誌編委會和《國際電子商務雜誌》評審委員會成員。
Markus Zanker,是奧地利剋拉根福阿爾卑斯-亞德裏大學(Alpen-Adria Universit?t Klagenfurt)應用信息學係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誌》的副主編和 ConfigWorks GmbH的共同創始人及執行總監。
Alexander Felfernig,奧地利格拉茨工業大學(Technische Universit?t Graz)教授。他在推薦及配置係統方麵的研究成果榮獲2009年度的Heinz Zemanek奬。他發錶過130多篇科學論文,是《國際電子商務雜誌》的評審委員會成員,ConfigWorks GmbH的共同創始人。
Gerhard Friedrich,奧地利剋拉根福阿爾卑斯-亞德裏大學客座教授,應用信息學院院長,智能係統和商業信息課題組組長。《人工智能通信》的編輯,《大規模定製國際雜誌》的副主編。
第1章 引言
1.1 第一部分:基本概念
1.1.1 協同過濾推薦
1.1.2 基於內容的推薦
1.1.3 基於知識的推薦
1.1.4 混閤推薦方法
1.1.5 推薦係統的解釋
1.1.6 評估推薦係統
1.1.7 案例研究
1.2 第二部分:最新進展
第一部分 基本概念
第2章 協同過濾推薦
2.1 基於用戶的最近鄰推薦
2.1.1 第一個例子
2.1.2 更好的相似度和賦權體係
2.1.3 選擇近鄰
2.2 基於物品的最近鄰推薦
2.2.1 餘弦相似度度量
2.2.2 基於物品過濾的數據預處理
2.3 關於評分
2.3.1 隱式和顯式評分
2.3.2 數據稀疏和冷啓動問題
2.4 更多基於模型和預處理的方法
2.4.1 矩陣因子分解
2.4.2 關聯規則挖掘
2.4.3 基於概率分析的推薦方法
2.5 近來實際的方法和係統
2.5.1 Slope One預測器
2.5.2 Google新聞個性化推薦引擎
2.6 討論和小結
2.7 書目注釋
第3章 基於內容的推薦
3.1 內容錶示和相似度
3.1.1 嚮量空間模型和TF-IDF
3.1.2 嚮量空間模型的改進及局限
3.2 基於內容相似度檢索
3.2.1 最近鄰
3.2.2 相關性反饋--Rocchio方法
3.3 其他文本分類方法
3.3.1 基於概率模型的方法
3.3.2 其他綫性分類器和機器學習
3.3.3 顯式決策模型
3.3.4 特徵選擇
3.4 討論
3.4.1 對比評估
3.4.2 局限
3.5 小結
3.6 書目注釋
第4章 基於知識的推薦
4.1 介紹
4.2 知識錶示法和推理
4.2.1 約束
4.2.2 實例與相似度
4.3 與基於約束推薦係統交互
4.3.1 默認設置
4.3.2 處理不滿意的需求和空結果集
4.3.3 提齣對未滿足需求的修改建議
4.3.4 對基於物品/效用推薦結果的排序
4.4 與基於實例的推薦係統交互
4.4.1 評價
4.4.2 混閤評價
4.4.3 動態評價
4.4.4 高級的物品推薦方法
4.4.5 評價多樣性
4.5 應用實例
4.5.1 VITA--基於約束的推薦係統
4.5.2 Entree--基於實例的推薦係統
4.6 書目注釋
第5章 混閤推薦方法
5.1 混閤推薦的時機
5.1.1 推薦理論框架
5.1.2 混閤設計
5.2 整體式混閤設計
5.2.1 特徵組閤的混閤方案
5.2.2 特徵補充的混閤方案
5.3 並行式混閤設計
5.3.1 交叉式混閤
5.3.2 加權式混閤
5.3.3 切換式混閤
5.4 流水綫混閤設計
5.4.1 串聯混閤
5.4.2 分級混閤
5.5 討論和小結
5.6 書目注釋
第6章 推薦係統的解釋
6.1 介紹
6.2 基於約束的推薦係統中的解釋
6.2.1 實例
6.2.2 通過推導生成解釋
6.2.3 可靠解釋的分析與概述
6.2.4 可靠解釋
6.3 基於實例推薦係統的解釋
6.4 協同過濾推薦係統的解釋
6.5 小結
第7章 評估推薦係統
7.1 介紹
7.2 評估研究的一般特性
7.2.1 總論
7.2.2 評估方案的實驗對象
7.2.3 研究方法
7.2.4 評估環境
7.3 主流推薦方案
7.4 曆史數據集評估
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 實驗性研究方案
7.5.2 準實驗研究方案
7.5.3 非實驗研究方案
7.6 小結
7.7 書目注釋
第8章 案例分析:移動互聯網個性化遊戲推薦
8.1 應用與個性化概述
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:售後推薦
8.3.3 測量3:起始頁推薦
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 最新進展
第9章 針對協同推薦係統的攻擊
9.1 第一個例子
9.2 攻擊維度
9.3 攻擊類型
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 隱私方麵--分布式協同過濾
9.6.1 集中方法:數據擾動
9.6.2 分布式協同過濾
9.7 討論
第10章 在綫消費決策
10.1 介紹
10.2 環境效應
10.3 首位/新近效應
10.4 其他效應
10.5 個人和社會心理學
10.6 書目注釋
第11章 推薦係統和下一代互聯網
11.1 基於信任網絡的推薦係統
11.1.1 利用顯式的信任網絡
11.1.2 信任度度量方法和效果
11.1.3 相關方法和近期進展
11.2 大眾分類法及其他
11.2.1 基於大眾分類法的推薦
11.2.2 推薦標簽
11.2.3 在分享媒體中推薦內容
11.3 本體過濾
11.3.1 通過分類改進過濾
11.3.2 通過屬性改進過濾
11.4 從網絡抽取語義
11.5 小結
第12章 普適環境中的推薦
12.1 介紹
12.2 上下文感知推薦
12.3 應用領域
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
推薦係統 [ Recommender systems:An introduction] 下載 mobi pdf epub txt 電子書 格式 2024
推薦係統 [ Recommender systems:An introduction] 下載 mobi epub pdf 電子書哈哈哈哈哈哈,很好的書
評分v
評分還不錯,看著還行~~~
評分産品不錯,東西好且很實惠
評分程序員看的好書!好書不多說!
評分要寫論文,參考裏麵的一些章節
評分書很好,講的很到位很係統,看到彆人博客裏推薦的
評分還沒看,挺貴的…
評分覆蓋麵廣,但不夠深入,瞭解個大概可以瞭
推薦係統 [ Recommender systems:An introduction] mobi epub pdf txt 電子書 格式下載 2024