搜索
高级检索
高级搜索
书       名 :
著       者 :
出  版  社 :
I  S  B  N:
文献来源:
出版时间 :
推荐系统:an introduction
0.00    
图书来源: 浙江图书馆(由图书馆配书)
  • 配送范围:
    全国(除港澳台地区)
  • ISBN:
    9787115310699
  • 作      者:
    (奥地利)Dietmar Jannach[等]著
  • 出 版 社 :
    人民邮电出版社
  • 出版日期:
    2013
收藏
编辑推荐
  

  当你在网上浏览一件商品时,附近总会出现“购买此商品的顾客还购买过……”或“看过此商品的顾客还看过……”这样的推荐信息。在这个物质供应极度丰富的时代,对于顾客来说,面对众多令人眼花缭乱的商品,该选择哪一个呢?于是,推荐商品起到了关键作用,而这些商品的背后就是推荐系统。
  推荐系统的出现使人们能够快速准确地发现他们感兴趣的商品或信息,大大推动了电子商务的成功以及互联网的发展。推荐系统的应用不仅仅局限于电子商务,随着技术的不断创新,它已经渗透进了互联网的方方面面,从电影、音乐到社交网络、阅读以及广告,几乎每个角落都有推荐系统的身影。在未来的互联网发展中,谁掌握了推荐系统,谁就会是大的赢家。
  《推荐系统》是一本全面讲解推荐系统的经典佳作,作者均为该领域的领军人物。在《推荐系统》中,他们从协同推荐、基于内容的推荐、基于知识的推荐等多个方面,详细介绍了推荐系统的基本概念,并在第二部分中对推荐系统的新发展进行了讲解。本书对如何开发先进的推荐系统,如何自动提供各种各样的选择策略,进而向客户提供实惠、个性和高质量的推荐做了概述。作者不仅介绍了生成个性化购买建议的算法,还对如何衡量推荐系统的有效性进行了讨论,并结合实际案例研究进行了说明。
  

展开
作者简介

  Dietmar Jannach,德国的多特蒙德工业大学(Technische Universit?t Dortmund)计算机科学系客座教授。他发表过一百多篇科学论文,是《应用智能》杂志编委会和《国际电子商务杂志》评审委员会成员。

  Markus Zanker,是奥地利克拉根福阿尔卑斯-亚德里大学(Alpen-Adria Universit?t Klagenfurt)应用信息学系助理教授及信息管理研究项目主任。他还是《人机交互研究国际杂志》的副主编和   ConfigWorks GmbH的共同创始人及执行总监。

  Alexander Felfernig,奥地利格拉茨工业大学(Technische Universit?t Graz)教授。他在推荐及配置系统方面的研究成果荣获2009年度的Heinz Zemanek奖。他发表过130多篇科学论文,是《国际电子商务杂志》的评审委员会成员,ConfigWorks GmbH的共同创始人。

  Gerhard Friedrich,奥地利克拉根福阿尔卑斯-亚德里大学客座教授,应用信息学院院长,智能系统和商业信息课题组组长。《人工智能通信》的编辑,《大规模定制国际杂志》的副主编。

展开
内容介绍

  《推荐系统》全面阐述了开发先进推荐系统的方法,其中呈现了许多经典算法,并讨论了如何衡量推荐系统的有效性。书中内容分为基本概念和新进展两部分:前者涉及协同推荐、基于内容的推荐、基于知识的推荐、混合推荐方法,推荐系统的解释、评估推荐系统和实例分析;后者包括针对推荐系统的攻击、在线消费决策、推荐系统和下一代互联网以及普适环境中的推荐。此外,本书还包含大量的图、表和示例,有助于读者理解和把握相关知识。
  《推荐系统》适用于从事搜索引擎、推荐算法、数据挖掘等研发工作的专业人员以及对推荐系统感兴趣的读者。

展开
精彩书评
  通过对本书的学习,读者不仅可以全面系统地了解该领域的基础原理,还能试验如何搭建一套真正的推荐系统。
  —— 百度主任架构师、百度技术委员会主席 廖若雪

  本书比较全面地介绍了推荐系统涉及的相关知识点,很适合对于推荐系统感兴趣的相关人员作为入门教程,目前能够系统全面介绍相关技术的中文书籍还显得匮乏,相信这本译著对于缓解这种情况大有裨益。
  ——新浪微博数据挖掘技术专家 张俊林

  本书不但介绍了比较成熟的经典算法,还介绍了最近几年的一些新进展,并辅之以实际应用的案例介绍。希望看到越来越多的朋友加入到推荐引擎的研究和应用中来!
  ——百分点信息科技有限公司首席运营官兼技术副总裁 张韶峰

  由蒋凡执笔翻译的这本《推荐系统》是一本从基础介绍推荐引擎的难得的好书,给人启迪良多。愿越来越多的互联网爱好者认真阅读本书,走在互联网发展大潮的前沿,成为下一代互联网产品真正需要的人才。
  ——人民搜索商务搜索部总监 常兴龙

  这是迄今为止市面上所有讲推荐系统的书中最全面、最实用的一本入门指南。如果你是教这门课的大学老师,万万不能错过这本“推荐系统大全”。尤其值得称道的是,这本书广泛涵盖了不同类型的推荐系统,并对它们逐一进行了鞭辟入里、细致入微的剖析。虽然这本书定位于初中级读者,但是我认为即使是经验丰富的专业人员,也会在其中发现新鲜有趣的内容。
  ——Robin Burke, 芝加哥德保罗大学教授

  本书涵盖了推荐系统领域的全部知识,并为应对未来新的挑战提供了前瞻性建议。书中全面解释了一系列生成推荐的经典算法和方法,概述了源自社交计算和语义网的新手段对推荐系统的作用。希望这本书能够点燃你的激情,释放你的创造力和进取精神,把推荐系统的研究与应用推向新的高度。
  ——Joseph A. Konstan, 美国明尼苏达大学教授
展开
精彩书摘
    5.5讨论和小结    本章我们讨论了组合不同算法版本适用的场景,提出了各种混合设计的分类。总而言之,没有一种单独的混合方法能够适用于所有的环境,不过已经有的共识是,所有的基本算法都能够通过和其他方法进行混合得到进一步的提高。比如,在NetflixPrize竞赛中,优胜者就利用了加权混合策略,其中的权重由回归分析方法(Bell et al.2007)确定。此外,他们还根据特殊用户和物品特征调整权重,比如评分物品数。根据目前的混合方案分类标准,这可以被归为切换式混合,可以在不同的加权混合方法中变化。    很少有研究会去比较不同的推荐策略,尤其是它们的混合方法,原因主要是缺少合适的数据。尽管协同过滤的电影推荐或基于内容的新闻推荐都是已充分研究的应用领域,但是推荐系统和算法框架的其他应用领域却很少得到关注。因此,现在还无法得出有关不同混合方案优势和劣势的经验性结论。不过,我们应该可以根据应用领域和问题类型,探索并比较不同的方法。尽管如此,通过利用其他知识源来提高已有推荐应用效果也一定可以取得成功。至于所需要的工程工作量成果,以下几点可以提及。    整体式设计的优势在于,如果从特征层面上看,只需要很少有效的额外知识。它们一般只需要一些额外的预处理阶段,或对主要算法及其数据结构做很小的修改。    并行式设计是对已有实现方法改变最小的设计,因为它们只是做了附加的后处理阶段。尽管如此,它们还是增加了一些额外的运行复杂度,需要认真匹配不同并行算法计算的推荐得分。    流水线式设计是混合设计中最耗费精力的,因为它需要更深刻地领悟算法的功能,确保运行时的计算是高效的。然而,它一般在两种相互对立的推荐理论框架组合时才会表现得很好,比如协同过滤和基于知识的推荐。    5.6 书目注释    一般来说,很少有文章会特别关注推荐算法的混合。这里最综合性的著作就是Burke的“Hybrid recommender systems:Survey and experiments”,发表于2002年的User.Modeling and User—Adapted Interaction。它提出了推荐理论框架概念以及混合设计的分类,这对本章具有非常重要的指导意义,同时也是该领域引用最多的文章。这篇文章经过原作者修改后作为Springer2007年的最新综述The Adaptive Web的一章发表。文章不仅全面列出了混合算法方面已发表的著作,还包括了不同混合算法方案最全面的对比评估。Burke(2007)基于Entree数据(Burke l999)比较了41种不同的算法。与许多早期电影领域的对比研究相比(Balabanovi6 and Shoham 1997,Pazzani1999b.Sarwar et al.2000b),Entree数据也可用于研究基于知识算法的不同版本。 
展开
目录

第1章 引言
1.1  第一部分:基本概念
1.1.1  协同过滤推荐
1.1.2  基于内容的推荐
1.1.3  基于知识的推荐
1.1.4  混合推荐方法
1.1.5  推荐系统的解释
1.1.6  评估推荐系统
1.1.7  案例研究
1.2  第二部分:最新进展


第一部分 基本概念
第2章 协同过滤推荐
2.1  基于用户的最近邻推荐
2.1.1  第一个例子
2.1.2  更好的相似度和赋权体系
2.1.3  选择近邻
2.2  基于物品的最近邻推荐
2.2.1  余弦相似度度量
2.2.2  基于物品过滤的数据预处理
2.3  关于评分
2.3.1  隐式和显式评分
2.3.2  数据稀疏和冷启动问题
2.4  更多基于模型和预处理的方法
2.4.1  矩阵因子分解
2.4.2  关联规则挖掘
2.4.3  基于概率分析的推荐方法
2.5  近来实际的方法和系统
2.5.1  Slope One预测器
2.5.2  Google新闻个性化推荐引擎
2.6  讨论和小结
2.7  书目注释


第3章 基于内容的推荐
3.1  内容表示和相似度
3.1.1  向量空间模型和TF-IDF
3.1.2  向量空间模型的改进及局限
3.2  基于内容相似度检索
3.2.1  最近邻
3.2.2  相关性反馈--Rocchio方法
3.3  其他文本分类方法
3.3.1  基于概率模型的方法
3.3.2  其他线性分类器和机器学习
3.3.3  显式决策模型
3.3.4  特征选择
3.4  讨论
3.4.1  对比评估
3.4.2  局限
3.5  小结
3.6  书目注释


第4章 基于知识的推荐
4.1  介绍
4.2  知识表示法和推理
4.2.1  约束
4.2.2  实例与相似度
4.3  与基于约束推荐系统交互
4.3.1  默认设置
4.3.2  处理不满意的需求和空结果集
4.3.3  提出对未满足需求的修改建议
4.3.4  对基于物品/效用推荐结果的排序
4.4  与基于实例的推荐系统交互
4.4.1  评价
4.4.2  混合评价
4.4.3  动态评价
4.4.4  高级的物品推荐方法
4.4.5  评价多样性
4.5  应用实例
4.5.1  VITA--基于约束的推荐系统
4.5.2  Entree--基于实例的推荐系统
4.6  书目注释


第5章 混合推荐方法
5.1  混合推荐的时机
5.1.1  推荐理论框架
5.1.2  混合设计
5.2  整体式混合设计
5.2.1  特征组合的混合方案
5.2.2  特征补充的混合方案
5.3  并行式混合设计
5.3.1  交叉式混合
5.3.2  加权式混合
5.3.3  切换式混合
5.4  流水线混合设计
5.4.1  串联混合
5.4.2  分级混合
5.5  讨论和小结
5.6  书目注释


第6章 推荐系统的解释
6.1  介绍
6.2  基于约束的推荐系统中的解释
6.2.1  实例
6.2.2  通过推导生成解释
6.2.3  可靠解释的分析与概述
6.2.4  可靠解释
6.3  基于实例推荐系统的解释
6.4  协同过滤推荐系统的解释
6.5  小结


第7章 评估推荐系统
7.1  介绍
7.2  评估研究的一般特性
7.2.1  总论
7.2.2  评估方案的实验对象
7.2.3  研究方法
7.2.4  评估环境
7.3  主流推荐方案
7.4  历史数据集评估
7.4.1  方法论
7.4.2  衡量标准
7.4.3  结果的分析
7.5  其他评估方案
7.5.1  实验性研究方案
7.5.2  准实验研究方案
7.5.3  非实验研究方案
7.6  小结
7.7  书目注释


第8章 案例分析:移动互联网个性化游戏推荐
8.1  应用与个性化概述
8.2  算法和评级
8.3  评估
8.3.1  测量1:我的推荐
8.3.2  测量2:售后推荐
8.3.3  测量3:起始页推荐
8.3.4  测量4:演示版下载的整体效果
8.3.5  测量5:整体效果
8.4  小结与结论


第二部分 最新进展
第9章 针对协同推荐系统的攻击
9.1  第一个例子
9.2  攻击维度
9.3  攻击类型
9.3.1  随机攻击
9.3.2  均值攻击
9.3.3  造势攻击
9.3.4  局部攻击
9.3.5  针对性的打压攻击
9.3.6  点击流攻击和隐式反馈
9.4  效果评估和对策
9.4.1  推举攻击
9.4.2  打压攻击
9.5  对策
9.6  隐私方面--分布式协同过滤
9.6.1  集中方法:数据扰动
9.6.2  分布式协同过滤
9.7  讨论


第10章 在线消费决策
10.1  介绍
10.2  环境效应
10.3  首位/新近效应
10.4  其他效应
10.5  个人和社会心理学
10.6  书目注释


第11章 推荐系统和下一代互联网
11.1  基于信任网络的推荐系统
11.1.1  利用显式的信任网络
11.1.2  信任度度量方法和效果
11.1.3  相关方法和近期进展
11.2  大众分类法及其他
11.2.1  基于大众分类法的推荐
11.2.2  推荐标签
11.2.3  在分享媒体中推荐内容
11.3  本体过滤
11.3.1  通过分类改进过滤
11.3.2  通过属性改进过滤
11.4  从网络抽取语义
11.5  小结


第12章 普适环境中的推荐
12.1  介绍
12.2  上下文感知推荐
12.3  应用领域
12.4  小结


第13章 总结和展望
13.1  总结
13.2  展望
参考文献
索引

展开
加入书架成功!
收藏图书成功!
我知道了(3)
发表书评
读者登录

请选择您读者所在的图书馆

选择图书馆
浙江图书馆
点击获取验证码
登录
没有读者证?在线办证