推薦系統實踐
45768798876567.jpg)
基本內容
內容簡介
隨着信息技術和互聯網的發展，人們逐漸從信息匱乏的時代走入了信息過載（information overload）的時代 。在這個時代，無論是信息消費者還是信息生產者都遇到了很大的挑戰：對於信息消費者，從大量信息中找到自己感興趣的信息是一件非常困難的事情；對於信息生產者，讓自己生產的信息脫穎而出，受到廣大用戶的關注，也是一件非常困難的事情。推薦系統就是解決這一矛盾的重要工具。推薦系統的任務就是聯繫用戶和信息，一方面幫助用戶發現對自己有價值的信息，另一方面讓信息能夠展現在對它感興趣的用戶面前，從而實現信息消費者和信息生產者的雙贏。
《推薦系統實踐》適合對推薦技術感興趣的讀者學習參考。
作者簡介
項亮，畢業於中國科學技術大學和中國科學院自動化所，研究方向為機器學習和推薦系統，現任職於北京Hulu軟件技術開發有限公司，從事視頻推薦的研究和開發。2009年參加Netflix Prize推薦系統比賽獲得團體第二名，且於當年發起創建了Resys China推 薦系統社區。
作品目錄
第1章 好的推薦系統 1
1.1 什麼是推薦系統 1
1.2個性化推薦系統的應用 4
1.2.1 電子商務 4
1.2.2 電影和視頻網站 8
1.2.3 個性化音樂網絡電台 10
1.2.4 社交網絡 12
1.2.5 個性化閱讀 15
1.2.6 基於位置的服務 16
1.2.7 個性化郵件 17
1.2.8 個性化廣告 18
1.3 推薦系統評測 19
1.3.1 推薦系統實驗方法 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係 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 基於鄰域的算法 44
2.4.1 基於用戶的協同過濾算法44
2.4.2 基於物品的協同過濾算法 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 基於LFM的實際系統的例子 70
2.5.3 LFM和基於鄰域的方法的比較 72
2.6 基於圖的模型 73
2.6.1 用戶行為數據的二分圖表示 73
2.6.2 基於圖的推薦算法 73
第3章 推薦系統冷啟動問題 78
3.1 冷啟動問題簡介 78
3.2 利用用戶註冊信息 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 發揮專家的作用 94
第4章 利用用戶標籤數據 96
4.1 UGC標籤系統的代表應用 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 標籤系統中的推薦問題 100
4.2.1 用戶為什麼進行標註 100
4.2.2 用戶如何打標籤 101
4.2.3 用戶打什麼樣的標籤 102
4.3 基於標籤的推薦系統 103
4.3.1 實驗設置 104
4.3.2 一個最簡單的算法 105
4.3.3 算法的改進 107
4.3.4 基於圖的推薦算法 110
4.3.5 基於標籤的推薦解釋 112
4.4 給用戶推薦標籤 115
4.4.1 為什麼要給用戶推薦標籤 115
4.4.2 如何給用戶推薦標籤 115
4.4.3 實驗設置 116
4.4.4 基於圖的標籤推薦算法 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 系統時間特性的分析 125
5.1.4 推薦系統的實時性 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 用戶註冊信息 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 基於社交網絡的推薦 150
6.3.1 基於鄰域的社會化推薦算法 151
6.3.2 基於圖的社會化推薦算法 152
6.3.3 實際系統中的社會化推薦算法 153
6.3.4 社會化推薦系統和協同過濾推薦系統 155
6.3.5 信息流推薦 156
6.4 給用戶推薦好友 159
6.4.1 基於內容的匹配 161
6.4.2 基於共同興趣的好友推薦 161
6.4.3 基於社交網絡圖的好友推薦 161
6.4.4 基於用戶調查的好友推薦算法對比 164
6.5 擴展閱讀 165
第7章 推薦系統實例 166
7.1 外圍架構 166
7.2 推薦系統架構 167
7.3 推薦引擎的架構 171
7.3.1 生成用戶特徵向量 172
7.3.2 特徵?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 基於鄰域的方法 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
後記[1]