电子商务推荐系统导论 本书特色
《电子商务推荐系统导论》以电子商务为应用背景，深入浅出、全面地介绍推荐系统基本原理和主流技术，对每种模型和算法的阐述力求易于理解，并保持数学严谨性。《电子商务推荐系统导论》涵盖的内容有：传统推荐模型与算法、情境推荐模型与算法、社会化推荐模型与算法、推荐系统评价指标与方法、推荐系统的可信性和安全性、电子商务推荐系统与企业绩效、电子商务推荐系统架构设计以及在大数据时代下推荐系统的展望。在章节论述过程中，作者主要从学术研究角度出发，围绕推荐系统面临的挑战性问题，阐释现有研究中的主流技术，指出值得进一步研究的难题。同时，还对电子商务推荐系统设计开发涉及的工程性技术及成功的实际应用系统作了简明扼要的阐述。
电子商务推荐系统导论 内容简介
《电子商务推荐系统导论》既可作为有兴趣从事推荐系统领域研究工作的高校教师和研究生的理论基础用书，帮助他们了解本领域研究现状，把握关键问题，熟悉基本方法；亦可作为企业工程师设计和开发推荐系统时的参考书。
电子商务推荐系统导论 目录
前言
第1 章引论 1
1.1 推荐系统概述 1
1.1.1 推荐系统：动机与现状 1
1.1.2 电子商务：推荐系统*重要的应用领域 2
1.1.3 推荐系统：形式化建模 3
1.2 推荐系统研究概览 5
1.2.1 挑战性问题 5
1.2.2 本书组织结构 9
参考文献 10
第2 章传统推荐模型与算法 12
2.1 协同过滤模型 12
2.1.1 基于用户的协同过滤 12
2.1.2 基于项目的协同过滤 14
2.1.3 相似度计算方法 15
2.1.4 混合型协同过滤 17
2.1.5 一个例子 18
2.2 基于内容的推荐模型 19
2.2.1 项目和用户表示 19
2.2.2 用户兴趣学习模型 21
2.3 潜在语义分析模型 23
2.3.1 奇异值分解模型 25
2.3.2 概率潜在语义分析模型 27
2.3.3 潜在狄利克雷分配模型 29
2.4 基于关联规则挖掘的推荐 30
2.4.1 频繁模式与关联规则挖掘 31
2.4.2 基于关联规则的推荐 32
参考文献 33
第3 章情境推荐模型与算法 35
3.1 推荐系统情境信息 35
iv 电子商务推荐系统导论
3.1.1 什么是情境信息 35
3.1.2 情境信息的层次式表征 36
3.2 融合情境信息的推荐模型 37
3.2.1 情境预过滤 38
3.2.2 情境后过滤 41
3.2.3 情境化建模 41
3.2.4 三类范式的混合使用 44
3.3 基于时空信息的推荐模型 44
3.3.1 考虑用户兴趣漂移的推荐 45
3.3.2 移动推荐 48
3.4 基于隐反馈信息的推荐模型 57
参考文献 59
第4 章社会化推荐模型与算法 63
4.1 社会计算与社会化推荐 63
4.1.1 社会计算研究议题概览 63
4.1.2 社会化推荐 67
4.2 社会化协同过滤模型 68
4.2.1 基于信任关系的社会化协同过滤 69
4.2.2 基于矩阵分解的社会化协同过滤 71
4.3 社会化标签系统中的推荐 75
4.3.1 社会化标签系统概述 75
4.3.2 基于社会化标签的多模式推荐 77
4.4 链路预测 83
4.4.1 基于拓扑结构信息的链路预测 83
4.4.2 基于节点信息的链路预测 84
4.5 作者协作关系网络中的推荐 86
4.5.1 专家推荐 87
4.5.2 论文推荐 88
4.6 社会化推荐领域的挑战性问题 89
参考文献 91
第5 章推荐系统评价指标与方法 97
5.1 评价任务概述 97
5.2 评价指标 98
5.2.1 准确性指标 98
5.2.2 准确度以外的指标 103
5.3 实验数据集 106
目录 v
5.3.1 一般性评分数据集 106
5.3.2 融合社会网络的数据集 107
5.4 评价方法 109
5.4.1 在线评价 109
5.4.2 离线评价 110
5.5 总结 110
参考文献 111
第6 章推荐系统可信性与安全性 113
6.1 托攻击概述 113
6.1.1 托攻击模型 113
6.1.2 托攻击分类 115
6.2 托攻击危害性衡量指标与脆弱性分析 117
6.2.1 托攻击危害性指标 117
6.2.2 托攻击脆弱性分析 118
6.3 托攻击检测特征指标与特征选择 120
6.3.1 托攻击检测特征指标 120
6.3.2 托攻击检测指标特征选择 122
6.4 托攻击检测算法 124
6.4.1 监督学习模型 124
6.4.2 无监督学习模型 127
6.4.3 半监督学习模型 130
6.5 托攻击检测算法评价方法 132
6.5.1 仿真实验 132
6.5.2 真实案例分析 133
6.6 群组攻击 134
6.6.1 严格版本的群组攻击构建算法 135
6.6.2 松弛版本的群组攻击构建算法 136
6.7 未来的研究方向 138
参考文献 139
第7 章电子商务推荐系统与企业绩效 142
7.1 电子商务企业绩效对推荐系统的影响 142
7.1.1 电子商务企业绩效的长尾效应 142
7.1.2 长尾分布、齐普夫定律和幂律分布 143
7.1.3 长尾效应对推荐系统设计的思考 144
7.2 多样化推荐系统设计 146
7.2.1 多样性的定义 146
vi 电子商务推荐系统导论
7.2.2 重排序技术 148
7.2.3 基于主题多样性的推荐 149
7.3 推荐系统冷启动问题 150
7.3.1 冷启动问题概述 150
7.3.2 种子项目选择方法 151
7.4 总结 154
参考文献 155
第8 章电子商务推荐系统架构设计 156
8.1 商用推荐系统概述 156
8.1.1 通用框架 156
8.1.2 数据类型 157
8.1.3 用户画像 159
8.2 推荐系统案例分析 161
8.2.1 amazon 推荐系统 162
8.2.2 netflix 推荐系统 163
8.2.3 hulu 推荐系统 165
8.3 基于web 日志的推荐 167
8.3.1 web 使用挖掘技术 167
8.3.2 google 新闻推荐系统 171
参考文献 172
第9 章下一代推荐系统研究展望 174
9.1 大数据的挑战 174
9.1.1 大数据计算 174
9.1.2 大数据计算对推荐系统基础架构的变革 175
9.2 推荐系统研究议题展望 179
9.2.1 隐私保护 179
9.2.2 基于位置的推荐 180
9.2.3 群组推荐 181
9.2.4 基于演化计算的推荐模型 182
参考文献 182
索引 186
