目 錄

第 1章 好的推薦系統(tǒng) 1
1．1 什么是推薦系統(tǒng) 1
1．2 個性化推薦系統(tǒng)的應用 4
1．2．1 電子商務 4
1．2．2 電影和視頻網站 8
1．2．3 個性化音樂網絡電臺 10
1．2．4 社交網絡 12
1．2．5 個性化閱讀 15
1．2．6 基于位置的服務 16
1．2．7 個性化郵件 17
1．2．8 個性化廣告 18
1．3 推薦系統(tǒng)評測 19
1．3．1 推薦系統(tǒng)實驗方法 20
1．3．2 評測指標 23
1．3．3 評測維度 34

第 2章 利用用戶行為數據 35
2．1 用戶行為數據簡介 36
2．2 用戶行為分析 39
2．2．1 用戶活躍度和物品流行度的分布 39
2．2．2 用戶活躍度和物品流行度的關系 41
2．3 實驗設計和算法評測 41
2．3．1 數據集 42
2．3．2 實驗設計 42
2．3．3 評測指標 42
2．4 基于鄰域的算法 44
2．4．1 基于用戶的協(xié)同過濾算法 44
2．4．2 基于物品的協(xié)同過濾算法 51
2．4．3 UserCF和ItemCF的綜合比較 59
2．5 隱語義模型 64
2．5．1 基礎算法 64
2．5．2 基于LFM的實際系統(tǒng)的例子 70
2．5．3 LFM和基于鄰域的方法的比較 72
2．6 基于圖的模型 73
2．6．1 用戶行為數據的二分圖表示 73
2．6．2 基于圖的推薦算法 73

第3章 推薦系統(tǒng)冷啟動問題 78
3．1 冷啟動問題簡介 78
3．2 利用用戶注冊信息 79
3．3 選擇合適的物品啟動用戶的興趣 85
3．4 利用物品的內容信息 89
3．5 發(fā)揮專家的作用 94

第4章 利用用戶標簽數據 96
4．1 UGC標簽系統(tǒng)的代表應用 97
4．1．1 Delicious 97
4．1．2 CiteULike 98
4．1．3 Last．fm 98
4．1．4 豆瓣 99
4．1．5 Hulu 99
4．2 標簽系統(tǒng)中的推薦問題 100
4．2．1 用戶為什么進行標注 100
4．2．2 用戶如何打標簽 101
4．2．3 用戶打什么樣的標簽 102
4．3 基于標簽的推薦系統(tǒng) 103
4．3．1 實驗設置 104
4．3．2 一個簡單的算法 105
4．3．3 算法的改進 107
4．3．4 基于圖的推薦算法 110
4．3．5 基于標簽的推薦解釋 112
4．4 給用戶推薦標簽 115
4．4．1 為什么要給用戶推薦標簽 115
4．4．2 如何給用戶推薦標簽 115
4．4．3 實驗設置 116
4．4．4 基于圖的標簽推薦算法 119
4．5 擴展閱讀 119

第5章 利用上下文信息 121
5．1 時間上下文信息 122
5．1．1 時間效應簡介 122
5．1．2 時間效應舉例 123
5．1．3 系統(tǒng)時間特性的分析 125
5．1．4 推薦系統(tǒng)的實時性 127
5．1．5 推薦算法的時間多樣性 128
5．1．6 時間上下文推薦算法 130
5．1．7 時間段圖模型 134
5．1．8 離線實驗 136
5．2 地點上下文信息 139
5．3 擴展閱讀 143

第6章 利用社交網絡數據 144
6．1 獲取社交網絡數據的途徑 144
6．1．1 電子郵件 145
6．1．2 用戶注冊信息 146
6．1．3 用戶的位置數據 146
6．1．4 論壇和討論組 146
6．1．5 即時聊天工具 147
6．1．6 社交網站 147
6．2 社交網絡數據簡介 148
社交網絡數據中的長尾分布 149
6．3 基于社交網絡的推薦 150
6．3．1 基于鄰域的社會化推薦算法 151
6．3．2 基于圖的社會化推薦算法 152
6．3．3 實際系統(tǒng)中的社會化推薦算法 153
6．3．4 社會化推薦系統(tǒng)和協(xié)同過濾推薦系統(tǒng) 155
6．3．5 信息流推薦 156
6．4 給用戶推薦好友 159
6．4．1 基于內容的匹配 161
6．4．2 基于共同興趣的好友推薦 161
6．4．3 基于社交網絡圖的好友推薦 161
6．4．4 基于用戶調查的好友推薦算法對比 164
6．5 擴展閱讀 165

第7章 推薦系統(tǒng)實例 166
7．1 外圍架構 166
7．2 推薦系統(tǒng)架構 167
7．3 推薦引擎的架構 171
7．3．1 生成用戶特征向量 172
7．3．2 特征-物品相關推薦 173
7．3．3 過濾模塊 174
7．3．4 排名模塊 174
7．4 擴展閱讀 178

第8章 評分預測問題 179
8．1 離線實驗方法 180
8．2 評分預測算法 180
8．2．1 平均值 180
8．2．2 基于鄰域的方法 184
8．2．3 隱語義模型與矩陣分解模型 186
8．2．4 加入時間信息 192
8．2．5 模型融合 193
8．2．6 Netflix Prize的相關實驗結果 195

后記 196