推荐系统实践

    相关领域专家的研究经验和实战经验     总结当今互联网领域中和推荐有关的产品和服务     Web 2.0时代的推荐阅读著作     以实战为基础，理论和实践并重，适合不同层次的读者。     《数学之美》作者吴军等强力推荐

本书通过大量代码和图表全面系统地阐述了和推荐系统有关的理论基础，介绍了评价推荐系统优劣的各种标准（比如覆盖率、满意度）和方法（比如AB测试、总结了当今互联网领域中各种和推荐有关的产品和服务。另外，本书为有兴趣开发推荐系统的读者给出了设计和实现推荐系统的方法与技巧，并解答了在真实场景中应用推荐技术时最常遇到的一些问题。
本书适合对推荐技术感兴趣的读者学习参考。

    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Netflix Prize推荐系统比赛获得团体名，且于当年参与创建了Resys China推荐系统社区。

第1章好的推荐系统1
1．1什么是推荐系统1
1．2个性化推荐系统的应用4
1．2．1电子商务4
1．2．2电影和视频网站8
1．2．3个性化音乐网络电台10
1．2．4社交网络12
1．2．5个性化阅读15
1．2．6基于位置的服务16
1．2．7个性化邮件17
1．2．8个性化广告18
1．3推荐系统评测19
1．3．1推荐系统实验方法20
1．3．2评测指标23
1．3．3评测维度34
第2章利用用户行为数据35
2．1用户行为数据简介36
2．2用户行为分析39
2．2．1用户活跃度和物品流行度的分布39
2．2．2用户活跃度和物品流行度的关系41
2．3实验设计和算法评测41
2．3．1数据集42
2．3．2实验设计42
2．3．3评测指标42
2．4基于邻域的算法44
2．4．1基于用户的协同过滤算法44
2．4．2基于物品的协同过滤算法51
2．4．3UserCF和ItemCF的综合比较59
2．5隐语义模型64
2．5．1基础算法64
2．5．2基于LFM的实际系统的例子70
2．5．3LFM和基于邻域的方法的比较72
2．6基于图的模型73
2．6．1用户行为数据的二分图表示73
2．6．2基于图的推荐算法73
第3章推荐系统冷启动问题78
3．1冷启动问题简介78
3．2利用用户注册信息79
3．3选择合适的物品启动用户的兴趣85
3．4利用物品的内容信息89
3．5发挥专家的作用94
第4章利用用户标签数据96
4．1UGC标签系统的代表应用97
4．1．1Delicious97
4．1．2CiteULike98
4．1．3Last．fm98
4．1．4豆瓣99
4．1．5Hulu99
4．2标签系统中的推荐问题100
4．2．1用户为什么进行标注100
4．2．2用户如何打标签101
4．2．3用户打什么样的标签102
4．3基于标签的推荐系统103
4．3．1实验设置104
4．3．2一个简单的算法105
4．3．3算法的改进107
4．3．4基于图的推荐算法110
4．3．5基于标签的推荐解释112
4．4给用户推荐标签115
4．4．1为什么要给用户推荐标签115
4．4．2如何给用户推荐标签115
4．4．3实验设置116
4．4．4基于图的标签推荐算法119
4．5扩展阅读119
第5章利用上下文信息121
5．1时间上下文信息122
5．1．1时间效应简介122
5．1．2时间效应举例123
5．1．3系统时间特性的分析125
5．1．4推荐系统的实时性127
5．1．5推荐算法的时间多样性128
5．1．6时间上下文推荐算法130
5．1．7时间段图模型134
5．1．8离线实验136
5．2地点上下文信息139
5．3扩展阅读143
第6章利用社交网络数据144
6．1获取社交网络数据的途径144
6．1．1电子邮件145
6．1．2用户注册信息146
6．1．3用户的位置数据146
6．1．4论坛和讨论组146
6．1．5即时聊天工具147
6．1．6社交网站147
6．2社交网络数据简介148
社交网络数据中的长尾分布149
6．3基于社交网络的推荐150
6．3．1基于邻域的社会化推荐算法151
6．3．2基于图的社会化推荐算法152
6．3．3实际系统中的社会化推荐算法153
6．3．4社会化推荐系统和协同过滤推荐系统155
6．3．5信息流推荐156
6．4给用户推荐好友159
6．4．1基于内容的匹配161
6．4．2基于共同兴趣的好友推荐161
6．4．3基于社交网络图的好友推荐161
6．4．4基于用户调查的好友推荐算法对比164
6．5扩展阅读165
第7章推荐系统实例166
7．1外围架构166
7．2推荐系统架构167
7．3推荐引擎的架构171
7．3．1生成用户特征向量172
7．3．2特征-物品相关推荐173
7．3．3过滤模块174
7．3．4排名模块174
7．4扩展阅读178
第8章评分预测问题179
8．1离线实验方法180
8．2评分预测算法180
8．2．1平均值180
8．2．2基于邻域的方法184
8．2．3隐语义模型与矩阵分解模型186
8．2．4加入时间信息192
8．2．5模型融合193
8．2．6NetflixPrize的相关实验结果195
后记196