作品簡介
個性化推薦能夠根據用戶的歷史行為顯式或者隱式地挖掘用戶潛在的興趣和需求，並為其推送個性化信息，因此受到研究者的追捧及工業界的青睞，其研究具有重大的學術價值及商業套用價值，已廣泛套用於大型電子商務平台、社交平台、新聞客戶端以及其他各類旅遊和娛樂類網站中。
本書內容豐富，較全面地介紹了基於協同過濾的推薦系統存在的問題、解決方法和評估策略，主要內容涉及協同過濾推薦算法中的時序技術、矩陣分解技術和社交網路信任技術等知識。
本書可供從事推薦系統、人工智慧、機器學習、模式識別和信息檢索等領域的科研人員及研究生閱讀、參考。
作者簡介
王建芳，男，博士，河南理工大學副教授，碩士研究生導師。研究方向包括推薦系統、深度學習、人工智慧及智慧型計算算法。主持及參與國家、省部級項目共12項。申請國家發明專利3項、新型實用專利3項。在國內外重要期刊及國際會議上發表學術論文30餘篇。出版教材及專著3部。有6項科研成果通過省部級鑑定，主持及參與省級教研教改項目2項，主持廳級項目2項，獲得廳級二等獎及以上獎勵3項，獲得計算機軟體著作權30餘項。
作品目錄
內容簡介
作者簡介
前言PREFACE
第一篇 基礎理論
第1章 理論入門
1.1 引言
1.2 推薦系統的形式化定義
1.3 基於近鄰的協同過濾推薦算法
1.4 基於用戶興趣的推薦算法
1.5 基於模型的協同過濾推薦算法
1.6 基於信任的協同過濾推薦算法
1.7 推薦系統現存問題
1.8 評測指標
本章小結
參考文獻
第二篇 基於時序的協同過濾推薦算法
第2章 基於巴式係數改進相似度的協同過濾推薦算法
2.1 引言
2.2 相關工作
2.3 一種巴氏係數改進相似度的協同過濾推薦算法
2.4 實驗與分析
本章小結
參考文獻
第3章 基於用戶興趣和項目屬性的協同過濾推薦算法
3.1 引言
3.2 相關工作
3.3 基於用戶興趣和項目屬性的協同過濾推薦算法
3.4 實驗結果與分析
本章小結
參考文獻
第三篇 基於矩陣分解的協同過濾推薦算法
第4章 SVD和信任因子相結合的協同過濾推薦算法
4.1 引言
4.2 標註和相關工作
4.3 SVD和信任因子相結合的協同過濾推薦算法
4.4 實驗結果與分析
本章小結
參考文獻
第5章 相似度填充的機率矩陣分解的協同過濾推薦算法
5.1 引言
5.2 相關工作
5.3 CF-PFCF算法
5.4 實驗分析
本章小結
參考文獻
第6章 基於偏置信息的改進機率矩陣分解算法研究
6.1 引言
6.2 相關工作
6.3 算法流程
6.4 實驗分析
本章小結
參考文獻
第7章 基於項目屬性改進機率矩陣分解算法
7.1 引言
7.2 IAR-BP算法
7.3 實驗結果對比分析
本章小結
參考文獻
第8章 基於交替最小二乘的改進機率矩陣分解算法
8.1 引言
8.2 交替最小二乘
8.3 Baseline預測
8.4 IPMF算法
8.5 實驗結果分析
本章小結
參考文獻
第9章 基於社交網路的改進機率矩陣分解算法研究
9.1 引言
9.2 相關工作
9.3 機率矩陣分解
9.4 主要研究內容
9.5 實驗分析
本章小結
參考文獻
第10章 帶偏置的非負矩陣分解推薦算法
10.1 引言
10.2 相關工作
10.3 RBNMF算法
10.4 實驗分析
本章小結
參考文獻
第11章 基於項目熱度的協同過濾推薦算法
11.1 引言
11.2 非負矩陣分解
11.3 兩階段近鄰選擇
11.4 算法描述
11.5 實驗結果分析
本章小結
參考文獻
第四篇 基於信任的協同過濾推薦算法
第12章 帶偏置的專家信任推薦算法
12.1 引言
12.2 相關工作
12.3 改進專家算法
12.4 實驗結果與分析
本章小結
參考文獻
第13章 一種改進專家信任的協同過濾推薦算法
13.1 引言
13.2 標註與相關工作
13.3 改進專家算法
13.4 實驗結果與分析
本章小結
參考文獻
第五篇 原型系統開發
第14章 電影推薦原型系統
14.1 引言
14.2 主要功能
14.3 關鍵技術
14.4 集群搭建
14.5 系統特點
14.6 用戶使用說明
參考文獻
