推荐系统实践

推荐系统实践
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者:
2012-06
版次: 1
ISBN: 9787115281586
定价: 49.00
装帧: 平装
开本: 16开
纸张: 胶版纸
页数: 197页
字数: 319千字
正文语种: 简体中文
丛书: 图灵原创
742人买过
  •   随着信息技术和互联网的发展,人们逐渐从信息匮乏的时代走入了信息过载(informationoverload)的时代。在这个时代,无论是信息消费者还是信息生产者都遇到了很大的挑战:对于信息消费者,从大量信息中找到自己感兴趣的信息是一件非常困难的事情;对于信息生产者,让自己生产的信息脱颖而出,受到广大用户的关注,也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具。推荐系统的任务就是联系用户和信息,一方面帮助用户发现对自己有价值的信息,另一方面让信息能够展现在对它感兴趣的用户面前,从而实现信息消费者和信息生产者的双赢。   项亮,毕业于中国科学技术大学和中国科学院自动化所,研究方向为机器学习和推荐系统,现任职于北京Hulu软件技术开发有限公司,从事视频推荐的研究和开发。2009年参加NetflixPrize推荐系统比赛获得团体第二名,且于当年参与创建了ResysChina推荐系统社区。 第1章 好的推荐系统
    1.1 什么是推荐系统
    1.2 个性化推荐系统的应用
    1.2.1 电子商务
    1.2.2 电影和视频网站
    1.2.3 个性化音乐网络电台
    1.2.4 社交网络
    1.2.5 个性化阅读
    1.2.6 基于位置的服务
    1.2.7 个性化邮件
    1.2.8 个性化广告
    1.3 推荐系统评测
    1.3.1 推荐系统实验方法
    1.3.2 评测指标
    1.3.3 评测维度
    第2章 利用用户行为数据
    2.1 用户行为数据简介
    2.2 用户行为分析
    2.2.1 用户活跃度和物品流行度的分布
    2.2.2 用户活跃度和物品流行度的关系
    2.3 实验设计和算法评测
    2.3.1 数据集
    2.3.2 实验设计
    2.3.3 评测指标
    2.4 基于邻域的算法
    2.4.1 基于用户的协同过滤算法
    2.4.2 基于物品的协同过滤算法
    2.4.3 UserCF和ItemCF的综合比较
    2.5 隐语义模型
    2.5.1 基础算法
    2.5.2 基于LFM的实际系统的例子
    2.5.3 LFM和基于邻域的方法的比较
    2.6 基于图的模型
    2.6.1 用户行为数据的二分图表示
    2.6.2 基于图的推荐算法
    第3章 推荐系统冷启动问题
    3.1 冷启动问题简介
    3.2 利用用户注册信息
    3.3 选择合适的物品启动用户的兴趣
    3.4 利用物品的内容信息
    3.5 发挥专家的作用
    第4章 利用用户标签数据
    4.1 UGC标签系统的代表应用
    4.1.1 Delicious
    4.1.2 CiteULike
    4.1.3 Last.fm
    4.1.4 豆瓣
    4.1.5 Hulu
    4.2 标签系统中的推荐问题
    4.2.1 用户为什么进行标注
    4.2.2 用户如何打标签
    4.2.3 用户打什么样的标签
    4.3 基于标签的推荐系统
    4.3.1 实验设置
    4.3.2 一个最简单的算法
    4.3.3 算法的改进
    4.3.4 基于图的推荐算法
    4.3.5 基于标签的推荐解释
    4.4 给用户推荐标签
    4.4.1 为什么要给用户推荐标签
    4.4.2 如何给用户推荐标签
    4.4.3 实验设置
    4.4.4 基于图的标签推荐算法
    4.5 扩展阅读
    第5章 利用上下文信息
    5.1 时间上下文信息
    5.1.1 时间效应简介
    5.1.2 时间效应举例
    5.1.3 系统时间特性的分析
    5.1.4 推荐系统的实时性
    5.1.5 推荐算法的时间多样性
    5.1.6 时间上下文推荐算法
    5.1.7 时间段图模型
    5.1.8 离线实验
    5.2 地点上下文信息
    5.3 扩展阅读
    第6章 利用社交网络数据
    6.1 获取社交网络数据的途径
    6.1.1 电子邮件
    6.1.2 用户注册信息
    6.1.3 用户的位置数据
    6.1.4 论坛和讨论组
    6.1.5 即时聊天工具
    6.1.6 社交网站
    6.2 社交网络数据简介
    6.3 基于社交网络的推荐
    6.3.1 基于邻域的社会化推荐算法
    6.3.2 基于图的社会化推荐算法
    6.3.3 实际系统中的社会化推荐算法
    6.3.4 社会化推荐系统和协同过滤推荐系统
    6.3.5 信息流推荐
    6.4 给用户推荐好友
    6.4.1 基于内容的匹配
    6.4.2 基于共同兴趣的好友推荐
    6.4.3 基于社交网络图的好友推荐
    6.4.4 基于用户调查的好友推荐算法对比
    6.5 扩展阅读
    第7章 推荐系统实例
    7.1 外围架构
    7.2 推荐系统架构
    7.3 推荐引擎的架构
    7.3.1 生成用户特征向量
    7.3.2 特征?物品相关推荐
    7.3.3 过滤模块
    7.3.4 排名模块
    7.4 扩展阅读
    第8章 评分预测问题
    8.1 离线实验方法
    8.2 评分预测算法
    8.2.1 平均值
    8.2.2 基于邻域的方法
    8.2.3 隐语义模型与矩阵分解模型
    8.2.4 加入时间信息
    8.2.5 模型融合
    8.2.6 Netflix Prize的相关实验结果
    后记
  • 内容简介:
      随着信息技术和互联网的发展,人们逐渐从信息匮乏的时代走入了信息过载(informationoverload)的时代。在这个时代,无论是信息消费者还是信息生产者都遇到了很大的挑战:对于信息消费者,从大量信息中找到自己感兴趣的信息是一件非常困难的事情;对于信息生产者,让自己生产的信息脱颖而出,受到广大用户的关注,也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具。推荐系统的任务就是联系用户和信息,一方面帮助用户发现对自己有价值的信息,另一方面让信息能够展现在对它感兴趣的用户面前,从而实现信息消费者和信息生产者的双赢。
  • 作者简介:
      项亮,毕业于中国科学技术大学和中国科学院自动化所,研究方向为机器学习和推荐系统,现任职于北京Hulu软件技术开发有限公司,从事视频推荐的研究和开发。2009年参加NetflixPrize推荐系统比赛获得团体第二名,且于当年参与创建了ResysChina推荐系统社区。
  • 目录:
    第1章 好的推荐系统
    1.1 什么是推荐系统
    1.2 个性化推荐系统的应用
    1.2.1 电子商务
    1.2.2 电影和视频网站
    1.2.3 个性化音乐网络电台
    1.2.4 社交网络
    1.2.5 个性化阅读
    1.2.6 基于位置的服务
    1.2.7 个性化邮件
    1.2.8 个性化广告
    1.3 推荐系统评测
    1.3.1 推荐系统实验方法
    1.3.2 评测指标
    1.3.3 评测维度
    第2章 利用用户行为数据
    2.1 用户行为数据简介
    2.2 用户行为分析
    2.2.1 用户活跃度和物品流行度的分布
    2.2.2 用户活跃度和物品流行度的关系
    2.3 实验设计和算法评测
    2.3.1 数据集
    2.3.2 实验设计
    2.3.3 评测指标
    2.4 基于邻域的算法
    2.4.1 基于用户的协同过滤算法
    2.4.2 基于物品的协同过滤算法
    2.4.3 UserCF和ItemCF的综合比较
    2.5 隐语义模型
    2.5.1 基础算法
    2.5.2 基于LFM的实际系统的例子
    2.5.3 LFM和基于邻域的方法的比较
    2.6 基于图的模型
    2.6.1 用户行为数据的二分图表示
    2.6.2 基于图的推荐算法
    第3章 推荐系统冷启动问题
    3.1 冷启动问题简介
    3.2 利用用户注册信息
    3.3 选择合适的物品启动用户的兴趣
    3.4 利用物品的内容信息
    3.5 发挥专家的作用
    第4章 利用用户标签数据
    4.1 UGC标签系统的代表应用
    4.1.1 Delicious
    4.1.2 CiteULike
    4.1.3 Last.fm
    4.1.4 豆瓣
    4.1.5 Hulu
    4.2 标签系统中的推荐问题
    4.2.1 用户为什么进行标注
    4.2.2 用户如何打标签
    4.2.3 用户打什么样的标签
    4.3 基于标签的推荐系统
    4.3.1 实验设置
    4.3.2 一个最简单的算法
    4.3.3 算法的改进
    4.3.4 基于图的推荐算法
    4.3.5 基于标签的推荐解释
    4.4 给用户推荐标签
    4.4.1 为什么要给用户推荐标签
    4.4.2 如何给用户推荐标签
    4.4.3 实验设置
    4.4.4 基于图的标签推荐算法
    4.5 扩展阅读
    第5章 利用上下文信息
    5.1 时间上下文信息
    5.1.1 时间效应简介
    5.1.2 时间效应举例
    5.1.3 系统时间特性的分析
    5.1.4 推荐系统的实时性
    5.1.5 推荐算法的时间多样性
    5.1.6 时间上下文推荐算法
    5.1.7 时间段图模型
    5.1.8 离线实验
    5.2 地点上下文信息
    5.3 扩展阅读
    第6章 利用社交网络数据
    6.1 获取社交网络数据的途径
    6.1.1 电子邮件
    6.1.2 用户注册信息
    6.1.3 用户的位置数据
    6.1.4 论坛和讨论组
    6.1.5 即时聊天工具
    6.1.6 社交网站
    6.2 社交网络数据简介
    6.3 基于社交网络的推荐
    6.3.1 基于邻域的社会化推荐算法
    6.3.2 基于图的社会化推荐算法
    6.3.3 实际系统中的社会化推荐算法
    6.3.4 社会化推荐系统和协同过滤推荐系统
    6.3.5 信息流推荐
    6.4 给用户推荐好友
    6.4.1 基于内容的匹配
    6.4.2 基于共同兴趣的好友推荐
    6.4.3 基于社交网络图的好友推荐
    6.4.4 基于用户调查的好友推荐算法对比
    6.5 扩展阅读
    第7章 推荐系统实例
    7.1 外围架构
    7.2 推荐系统架构
    7.3 推荐引擎的架构
    7.3.1 生成用户特征向量
    7.3.2 特征?物品相关推荐
    7.3.3 过滤模块
    7.3.4 排名模块
    7.4 扩展阅读
    第8章 评分预测问题
    8.1 离线实验方法
    8.2 评分预测算法
    8.2.1 平均值
    8.2.2 基于邻域的方法
    8.2.3 隐语义模型与矩阵分解模型
    8.2.4 加入时间信息
    8.2.5 模型融合
    8.2.6 Netflix Prize的相关实验结果
    后记
查看详情
系列丛书 / 更多
推荐系统实践
第一行代码:Android
郭霖 著
推荐系统实践
啊哈!算法
啊哈磊 著
推荐系统实践
深入浅出Node.js
朴灵 著
推荐系统实践
SEO教程:搜索引擎优化入门与进阶(第3版)
吴泽欣 著
推荐系统实践
Unity 3D游戏开发
宣雨松 著
推荐系统实践
Go语言编程
许式伟 著
推荐系统实践
iOS开发指南 从零基础到App Store上架(第3版)
关东升 著
推荐系统实践
Docker 容器与容器云(第2版)
浙江大学SEL实验室 著
推荐系统实践
深入React技术栈
陈屹 著
推荐系统实践
JavaScript设计模式与开发实践
曾探 著
推荐系统实践
Go并发编程实战(第2版)
郝林 著
推荐系统实践
腾云:—云计算和大数据时代网络技术揭秘
徐立冰 著
相关图书 / 更多
推荐系统实践
推荐系统技术原理与实践
文亮
推荐系统实践
推荐书目与阅读推广(阅读推广人系列教材)
李东来 著;王余光、霍瑞娟、李雅 编
推荐系统实践
推荐系统算法实践
黄美灵 著
推荐系统实践
推荐系统——飞桨深度学习实战
薛峰 吴乐 吴志华 张文慧 杨晴虹 编著;深度学习技术及应用国家工程研究中心 百度技术培训中心 组编
推荐系统实践
推荐系统(极客时间推荐)(博文视点出品)
陈开江 著
推荐系统实践
推荐系统技术与开发应用
廖玉林 著;李彤岩;周云;谢海迪
推荐系统实践
推荐系统关键技术的研究
田保军 著
推荐系统实践
推荐系统
刘宏志 著
推荐系统实践
推荐系统实战宝典
吕倩倩 楚秦 编著;猿媛之家 组编
推荐系统实践
推荐系统:前沿与实践
李东胜
推荐系统实践
推荐算法及应用
高华玲
推荐系统实践
推荐系统进展:方法与技术郭贵冰
郭贵冰
您可能感兴趣 / 更多
推荐系统实践
中国保安族音乐文化
项亮 编