推薦系統(tǒng):技術、評估及高效算法(原書第2版)
定 價:139 元
叢書名:計算機科學叢書
- 作者:[美] 弗朗西斯科·里奇
- 出版時間:2018/7/1
- ISBN:9787111600756
- 出 版 社:機械工業(yè)出版社
- 中圖法分類:TP393
- 頁碼:
- 紙張:膠版紙
- 版次:
- 開本:16開
本書由五部分組成:推薦系統(tǒng)的技術、評估、應用、人機交互及高級話題。第 一部分展示了如今構建推薦系統(tǒng)的流行和基礎的技術,如協(xié)同過濾、基于語義的方法、數(shù)據(jù)挖掘方法和基于情境感知的方法。第二部分主要關注離線和真實用戶環(huán)境下用于評估推薦質量的技術及方法。第三部分包括了一些推薦技術多樣性的應用。首先簡述了與工業(yè)實現(xiàn)和推薦系統(tǒng)開發(fā)相關的一般性問題,隨后詳細介紹了推薦系統(tǒng)在各領域中的應用:音樂、學習、移動、社交網(wǎng)絡及它們之間的交互。第四部分包含了探討一系列問題的文章,這些問題包括推薦的展示、瀏覽、解釋和視覺化以及人工決策與推薦系統(tǒng)相關的重要問題。第五部分收集了一些關于高級話題的文章,例如利用主動學習技術來引導新知識的學習,構建能夠抵擋惡意用戶攻擊的健壯推薦系統(tǒng)的合適技術,以及結合多種用戶反饋和偏好來生成更加可靠的推薦系統(tǒng)。
前 言Recommender Systems Handbook,Second Edition推薦系統(tǒng)是為用戶推薦所需物品的軟件工具和技術。提供的推薦旨在通過各種決策過程來支持用戶,例如,買什么物品、聽什么歌曲或讀什么新聞。推薦系統(tǒng)的價值在于幫助用戶解決信息過載和做出更好的選擇,也是現(xiàn)在互聯(lián)網(wǎng)領域最強大和最流行的信息發(fā)現(xiàn)工具之一。因此,人們提出了各式各樣的推薦技術,并在過去的10年中將其中很多方法成功地運用在商業(yè)環(huán)境。
推薦系統(tǒng)的發(fā)展需要多學科的支持,涉及來自各個領域的專家知識,如人工智能、人機交互、數(shù)據(jù)挖掘、統(tǒng)計學、決策支持系統(tǒng)、市場營銷和消費者行為學等。
本書第1版在四年前出版,并受到了推薦系統(tǒng)社區(qū)的一致好評。伴隨著推薦系統(tǒng)研究的日新月異,這些好評激勵我們來更新本書。本書第2版重新整理了第1版中各章節(jié)的內容并在相應章節(jié)融入了該領域的新進展。本書基于第1版做了較大修訂;大約有一半的章節(jié)是新增的,并且保留的章節(jié)相比第1版也做了相應更新。
盡管第2版發(fā)生了較大修訂,但本書的目標始終不渝。本書呈現(xiàn)了基礎知識和更高級的話題兩方面,通過展示推薦系統(tǒng)的主要概念、理論、方法論、趨勢、挑戰(zhàn)和應用等連貫而又統(tǒng)一的知識體系,幫助讀者從差異中梳理出頭緒。這是目前唯一一本全面闡述推薦系統(tǒng)的書,完全涵蓋推薦系統(tǒng)主要技術的多個方面。本書中的豐富信息和實踐內容為研究人員、學生和行業(yè)中的實踐者提供了一個有關推薦系統(tǒng)的全面且簡潔方便的參考源。
本書不僅詳細地介紹了推薦系統(tǒng)研究的經(jīng)典方法,同時也介紹了最近發(fā)表的新方法及其擴展。本書由五部分組成:推薦系統(tǒng)的技術、評估、應用、人機交互及高級話題。第一部分展示了如今構建推薦系統(tǒng)的最流行和最基礎的技術,如協(xié)同過濾、基于語義的方法、數(shù)據(jù)挖掘方法和基于情境感知的方法。第二部分主要關注離線和真實用戶環(huán)境下用于評估推薦質量的技術及方法。第三部分包括一些推薦技術多樣性的應用,首先簡述與工業(yè)實現(xiàn)和推薦系統(tǒng)開發(fā)相關的一般性問題,隨后詳細介紹推薦系統(tǒng)在各領域中的應用:音樂、學習、移動、社交網(wǎng)絡及它們之間的交互。第四部分包含探討一系列問題的文章,這些問題包括推薦的展示、瀏覽、解釋和視覺化以及人工決策與推薦系統(tǒng)相關的重要問題。第五部分收集了一些關于高級話題的文章,例如,利用主動學習技術來引導新知識的學習,構建能夠抵擋惡意用戶攻擊的健壯推薦系統(tǒng)的合適技術,以及結合多種用戶反饋和偏好來生成更加可靠的推薦系統(tǒng)。
我們要感謝所有為本書做出貢獻的作者。感謝所有審閱人員提出的慷慨意見及建議。特別感謝Susan Lagerstrom-Fife和Springer的成員,感謝他們在寫這本書過程中的合作。最后我們希望這本書有助于這一學科的發(fā)展,為新手提供一個卓有成效的學習方案,能夠激起更多專業(yè)人士有興趣參與本書所討論的主題,使這個具有挑戰(zhàn)性的領域能夠碩果累累,長足發(fā)展。
Francesco RicciLior RokachBracha Shapira
弗朗西斯科·里奇(Francesco Ricci),意大利博爾扎諾自由大學計算機科學副教授。目前他的研究興趣包括推薦系統(tǒng)、智能接口、移動系統(tǒng)、機器學習、案例推理、信息和通信技術在旅游中的應用。他是《Journal of Information Technology and Tourism》雜志的編委,還是ACM和IEEE會員。他還是ACM會議推薦系統(tǒng)分會的指導委員會成員。
利奧·羅卡奇(Lior Rokach),以色列本-古里安大學信息系統(tǒng)工程系助理教授。他是智能信息系統(tǒng)方面公認的專家,在這一領域處于領先地位。他的主要研究領域包括數(shù)據(jù)挖掘、模式識別和推薦系統(tǒng)。他的70篇論文被主流期刊、會議和書籍等引用。
布拉哈·夏皮拉(Bracha Shapira),以色列本-古里安大學信息系統(tǒng)工程系助理教授。目前她的研究興趣包括推薦系統(tǒng)、信息檢索、個性化、用戶建模和社交網(wǎng)絡。她是本-古里安大學德國電信實驗室研究項目負責人,并且還是ACM和IEEE會員。
目 錄
Recommender Systems Handbook,Second Edition
出版者的話
推薦序一
推薦序二
推薦序三
譯者序
前言
譯者簡介
第1章 推薦系統(tǒng):簡介和挑戰(zhàn)1
1.1 簡介1
1.2 推薦系統(tǒng)的功能3
1.3 數(shù)據(jù)和知識來源5
1.4 推薦技術7
1.5 推薦系統(tǒng)評估10
1.6 推薦系統(tǒng)應用11
1.7 推薦系統(tǒng)與人機交互13
1.8 高級話題14
1.9 挑戰(zhàn)16
1.9.1 偏好獲取與分析16
1.9.2 交互17
1.9.3 新的推薦任務18
參考文獻19
第一部分 推薦系統(tǒng)技術
第2章 基于鄰域的推薦方法綜述24
2.1 簡介24
2.1.1 基于鄰域方法的優(yōu)勢25
2.1.2 目標和概要26
2.2 問題定義和符號26
2.3 基于鄰域的推薦27
2.3.1 基于用戶的評分預測28
2.3.2 基于用戶的分類預測方法28
2.3.3 回歸與分類29
2.3.4 基于物品的推薦29
2.3.5 基于用戶和基于物品的推薦方法的比較30
2.4 基于鄰域方法的要素31
2.4.1 評分標準化31
2.4.2 相似度權重的計算33
2.4.3 鄰域的選擇37
2.5 高級進階技術37
2.5.1 基于圖的方法38
2.5.2 基于學習的方法40
2.6 總結44
參考文獻44
第3章 協(xié)同過濾方法進階48
3.1 簡介48
3.2 預備知識49
3.2.1 基準預測49
3.2.2 Netflix數(shù)據(jù)50
3.2.3 隱式反饋51
3.3 矩陣分解模型51
3.3.1 SVD52
3.3.2 SVD++53
3.3.3 時間敏感的因子模型54
3.3.4 比較57
3.3.5 小結58
3.4 基于鄰域的模型59
3.4.1 相似度度量59
3.4.2 基于相似度的插值60
3.4.3 聯(lián)合派生插值權重61
3.4.4 小結63
3.5 增強的基于鄰域的模型63
3.5.1 全局化的鄰域模型64
3.5.2 因式分解的鄰域模型67
3.5.3 基于鄰域模型的動態(tài)時序71
3.5.4 小結72
3.6 基于鄰域的模型和因子分解模型的比較73
參考文獻75
第4章 基于內容的語義感知推薦系統(tǒng)77
4.1 簡介77
4.2 基于內容的推薦系統(tǒng)概述77
4.2.1 基于關鍵詞的向量空間模型79
4.2.2 用戶特征學習的方法80
4.2.3 基于內容過濾的優(yōu)缺點81
4.3 自上而下的語義方法82
4.3.1 基于本體資源的方法83
4.3.2 基于非結構化或半結構化百科知識的方法84
4.3.3 基于關聯(lián)開放數(shù)據(jù)的方法86
4.4 自下而上的語義方法90
4.4.1 基于判別式模型的方法90
4.5 方法比較與小結94
4.6 總結與未來挑戰(zhàn)95
致謝96
參考文獻96
第5章 基于約束的推薦系統(tǒng)103
5.1 簡介103
5.2 推薦知識庫的開發(fā)105
5.3 推薦過程中的用戶導向作用108
5.4 計算推薦結果113
5.5 實際應用的經(jīng)驗114
5.6 未來的研究方法116
5.7 總結118
參考文獻118
第6章 情境感知推薦系統(tǒng)123
6.1 簡介和動機123
6.2 推薦系統(tǒng)中的情境124
6.2.1 什么是情境124
6.2.2 推薦系統(tǒng)中模型化情境信息的表征性方法125
6.2.3 推薦系統(tǒng)中主要的情境信息建模方法127
6.2.4 獲取情境信息130
6.3 結合具有代表性情境的推薦系統(tǒng)范式131
6.3.1 情境預過濾133
6.3.2 情境后過濾136
6.3.3 情境建模137
6.4 討論和總結138
致謝140
參考文獻140
第7章 推薦系統(tǒng)中的數(shù)據(jù)挖掘方法145
7.1 簡介145
7.2 數(shù)據(jù)預處理146
7.2.1 相似度度量方法146
7.2.2 抽樣147
7.2.3 降維148
7.2.4 去噪150
7.3 監(jiān)督學習150
7.3.1 分類150
7.3.2 分類器的集成157
7.3.3 評估分類器157
7.4 無監(jiān)督學習159
7.4.1 聚類分析159
7.4.2 關聯(lián)規(guī)則挖掘161
7.5 總結162
參考文獻163
第二部分 推薦系統(tǒng)評估
第8章 推薦系統(tǒng)的評估170
8.1 簡介170
8.2 實驗設置171
8.2.1 離線實驗172
8.2.2 用戶調查173
8.2.3 在線評估175
8.2.4 得出可靠結論176
8.3 推薦系統(tǒng)屬性178
8.3.1 用戶偏好179
8.3.2 預測精度179
8.3.3 覆蓋率186
8.3.4 置信度187
8.3.5 信任度188
8.3.6 新穎性188
8.3.7 驚喜度189
8.3.8 多樣性190
8.3.9 效用191
8.3.10 風險191
8.3.11 健壯性192
8.3.12 隱私192
8.3.13 適應性193
8.3.14 可擴展性193
8.4 結論193
參考文獻194
第9章 使用用戶實驗評估推薦系統(tǒng)198
9.1 簡介198
9.2 理論基礎與現(xiàn)有工作199
9.2.1 理論基礎:Knijnenburg等人提出的評估框架199
9.2.2 現(xiàn)有以用戶為中心的研究概覽以及有前景的方向201
9.3 實踐指南203
9.3.1 研究模型203
9.3.2 參與者206
9.3.3 實驗操控207
9.3.4 測量209
9.3.5 統(tǒng)計評估214
9.4 結論219
參考文獻221
第10章 對推薦結果的解釋:設計和評估228
10.1 簡介228
10.2 推薦設計的呈現(xiàn)和交互229
10.2.1 推薦呈現(xiàn)229