信息检索的反馈排序算法

本书主要介绍了本团队在推荐系统召回阶段和精排阶段的一些研究成果，包括构造了一种基于三角形面积的三部图推荐模型、基于混合参数优化二部图推荐模型、基于时序衰减的推荐模型、基于word2vec游走的推荐模型和基于异质图网络表达学习的推荐模型等共5种方法。书中内容可以作为推荐系统研究人员的参考，也可以作为具体工业应用的推荐系统的算法基础。

作者简介 蔡彪，博士，教授，硕士生导师，中国人工智能学会机器博弈专委会副主任，成都理工大 学“数字媒体资源管理科研创新团队”负责人，中文核心期刊《计算机应用》《智能系统学报》及多个SCI期刊审稿人。近五年以第一作者及通信作者在ESWA等期刊发表SCI论文检索7篇、EI检索论文3篇，中文核心及CSCD期刊论文4篇，授权国家发明专利2项，新申请国家发明专利10项，获登记软件著作权23项。

1推荐系统基础001
1.1推荐系统简介001
1.2推荐系统常用方法003
1.2.1协同过滤003
1.2.2基于内容的推荐算法005
1.2.3网络拓扑结构推荐算法005
1.3推荐系统常用数据集与评价指标009
1.3.1常用数据集009
1.3.2评价指标010
1.4推荐系统面临的挑战012
2基于双重自适应机制的异质信息网络推荐算法014
2.1网络表示学习014
2.1.1浅层神经网络模型015
2.1.2深度神经网络模型016
2.2异质信息网络018
2.2.1异质信息网络中的相似度计算018
2.2.2异质信息网络中的表示学习019
2.3基于异质信息网络的推荐算法022
2.4双重自适应异质信息网络推荐模型023
2.4.1模型总体思想023
2.4.2模型构建方法026
2.4.3整体流程030
2.5实验结果及分析031
2.5.1对比实验结果031
2.5.2模型设计验证036
2.5.3推荐列表长度影响分析037
2.5.4参数敏感度分折038
3基于时间和神经网络的推荐策略研究043
3.1基于物品综合流行性的推荐算法044
3.1.1时间权重衰减模型044
3.1.2物品综合流行性模型045
3.2实验结果047
3.2.1数据划分047
3.2.2ComPI模型与基准算法结合049
3.2.3ComPI模型与基于时效性算法对比051
3.2.4ComPI模型与最近度增加算法对比052
3.2.5ComPI模型的综合对比分析054
3.3实验分析056
3.3.1时间权重的影响056
3.3.2分箱数量的影响057
3.3.3数据特性的影响058
3.3.4时间信息与资源分配059
3.4基于神经网络解决冷启动问题的推荐研究061
3.4.1基于BP神经网络解决冷启动的推荐模型062
3.4.2基于CNN解决冷启动的物品推荐模型066
3.5实验结果及分析073
3.5.1评价指标073
3.5.2 BP-Rec模型实验结果074
3.5.3 CNN-Rec模型实验结果081
4基于粒子群优化参数的混合推荐算法087
4.1粒子群算法087
4.2混合算法IHM 088
4.3双参数的IHM算法090
4.4算法参数改进的合理性说明092
4.5 IHM算法的参数优化094
4.6实验与分析096
4.6.1对比算法096
4.6.2参数优化097
4.6.3实验结果099
4.6.4多样性提升分析102
4.6.5数据划分对推荐结果的影响106
5基于word2vec的推荐系统模型研究112
5.1word2vec模型112
5.1.1 CBOW 112
5.1.2 Skip-gram 114
5.1.3分层softmax 115
5.1.4负采样116
5.1.5高频词再抽样117
5.2基于word2vec的图随机游走推荐优化模型117
5.2.1基于图随机游走更断权重117
5.2.2更新推荐列表125
5.2.3推荐系统总体结构设计126
5.3试验分析128
5.3.1数据集128
5.3.2数据预处理129
5.3.3参数设置130
5.3.4实验结果与分析132
6基于混合策略的个性化推荐算法研究139
6.1马尔可夫链及评价标准139
6.1.1马尔可夫性及过程139
6.1.2转移概率140
6.1.3算法性能测试方法141
6.1.4测试标准概述及认识142
6.1.5关于K-means算法的简要介绍146
6.2基于混合策略的个性化推荐算法146
6.2.1混合策略146
6.2.2构建推荐模型147
6.2.3改变权重与面积校正152
6.2.4参数和多样性分析153
6.3实验与分析157
6.3.1结果预分析157
6.3.2实验结果对比158
参考文献180