推薦系統(tǒng)實(shí)踐

第1章　 好的推薦系統(tǒng)　 　 1
1.1　 什么是推薦系統(tǒng)　 　 1
1.2　 個(gè)性化推薦系統(tǒng)的應(yīng)用　 　 4
1.2.1　 電子商務(wù)　 　 4
1.2.2　 電影和視頻網(wǎng)站　 　 8
1.2.3　 個(gè)性化音樂網(wǎng)絡(luò)電臺(tái)　 　 10
1.2.4　 社交網(wǎng)絡(luò)　 　 12
1.2.5　 個(gè)性化閱讀　 　 15
1.2.6　 基于位置的服務(wù)　 　 16
1.2.7　 個(gè)性化郵件　 　 17
1.2.8　 個(gè)性化廣告　 　 18
1.3　 推薦系統(tǒng)評(píng)測(cè)　 　 19
1.3.1　 推薦系統(tǒng)實(shí)驗(yàn)方法　 　 20
1.3.2　 評(píng)測(cè)指標(biāo)　 　 23
1.3.3　 評(píng)測(cè)維度　 　 34
第2章　 利用用戶行為數(shù)據(jù)　 　 35
2.1　 用戶行為數(shù)據(jù)簡(jiǎn)介　 　 36
2.2　 用戶行為分析　 　 39
2.2.1　 用戶活躍度和物品流行度的分布　 　 39
2.2.2　 用戶活躍度和物品流行度的關(guān)系　 　 41
2.3　 實(shí)驗(yàn)設(shè)計(jì)和算法評(píng)測(cè)　 　 41
2.3.1　 數(shù)據(jù)集　 　 42
2.3.2　 實(shí)驗(yàn)設(shè)計(jì)　 　 42
2.3.3　 評(píng)測(cè)指標(biāo)　 　 42
2.4　 基于鄰域的算法　 　 44
2.4.1　 基于用戶的協(xié)同過濾算法　 　 44
2.4.2　 基于物品的協(xié)同過濾算法　 　 51
2.4.3　 UserCF和ItemCF的綜合比較　 　 59
2.5　 隱語義模型　 　 64
2.5.1　 基礎(chǔ)算法　 　 64
2.5.2　 基于LFM的實(shí)際系統(tǒng)的例子　 　 70
2.5.3　 LFM和基于鄰域的方法的比較　 　 72
2.6　 基于圖的模型　 　 73
2.6.1　 用戶行為數(shù)據(jù)的二分圖表示　 　 73
2.6.2　 基于圖的推薦算法　 　 73
第3章　 推薦系統(tǒng)冷啟動(dòng)問題　 　 78
3.1　 冷啟動(dòng)問題簡(jiǎn)介　 　 78
3.2　 利用用戶注冊(cè)信息　 　 79
3.3　 選擇合適的物品啟動(dòng)用戶的興趣　 　 85
3.4　 利用物品的內(nèi)容信息　 　 89
3.5　 發(fā)揮專家的作用　 　 94
第4章　 利用用戶標(biāo)簽數(shù)據(jù)　 　 96
4.1　 UGC標(biāo)簽系統(tǒng)的代表應(yīng)用　 　 97
4.1.1　 Delicious　 　 97
4.1.2　 CiteULike　 　 98
4.1.3　 Last.fm　 　 98
4.1.4　 豆瓣　 　 99
4.1.5　 Hulu　 　 99
4.2　 標(biāo)簽系統(tǒng)中的推薦問題　 　 100
4.2.1　 用戶為什么進(jìn)行標(biāo)注　 　 100
4.2.2　 用戶如何打標(biāo)簽　 　 101
4.2.3　 用戶打什么樣的標(biāo)簽　 　 102
4.3　 基于標(biāo)簽的推薦系統(tǒng)　 　 103
4.3.1　 實(shí)驗(yàn)設(shè)置　 　 104
4.3.2　 一個(gè)最簡(jiǎn)單的算法　 　 105
4.3.3　 算法的改進(jìn)　 　 107
4.3.4　 基于圖的推薦算法　 　 110
4.3.5　 基于標(biāo)簽的推薦解釋　 　 112
4.4　 給用戶推薦標(biāo)簽　 　 115
4.4.1　 為什么要給用戶推薦標(biāo)簽　 　 115
4.4.2　 如何給用戶推薦標(biāo)簽　 　 115
4.4.3　 實(shí)驗(yàn)設(shè)置　 　 116
4.4.4　 基于圖的標(biāo)簽推薦算法　 　 119
4.5　 擴(kuò)展閱讀　 　 119
第5章　 利用上下文信息　 　 121
5.1　 時(shí)間上下文信息　 　 122
5.1.1　 時(shí)間效應(yīng)簡(jiǎn)介　 　 122
5.1.2　 時(shí)間效應(yīng)舉例　 　 123
5.1.3　 系統(tǒng)時(shí)間特性的分析　 　 125
5.1.4　 推薦系統(tǒng)的實(shí)時(shí)性　 　 127
5.1.5　 推薦算法的時(shí)間多樣性　 　 128
5.1.6　 時(shí)間上下文推薦算法　 　 130
5.1.7　 時(shí)間段圖模型　 　 134
5.1.8　 離線實(shí)驗(yàn)　 　 136
5.2　 地點(diǎn)上下文信息　 　 139
5.3　 擴(kuò)展閱讀　 　 143
第6章　 利用社交網(wǎng)絡(luò)數(shù)據(jù)　 　 144
6.1　 獲取社交網(wǎng)絡(luò)數(shù)據(jù)的途徑　 　 144
6.1.1　 電子郵件　 　 145
6.1.2　 用戶注冊(cè)信息　 　 146
6.1.3　 用戶的位置數(shù)據(jù)　 　 146
6.1.4　 論壇和討論組　 　 146
6.1.5　 即時(shí)聊天工具　 　 147
6.1.6　 社交網(wǎng)站　 　 147
6.2　 社交網(wǎng)絡(luò)數(shù)據(jù)簡(jiǎn)介　 　 148社交網(wǎng)絡(luò)數(shù)據(jù)中的長尾分布　 　 149
6.3　 基于社交網(wǎng)絡(luò)的推薦　 　 150
6.3.1　 基于鄰域的社會(huì)化推薦算法　 　 151
6.3.2　 基于圖的社會(huì)化推薦算法　 　 152
6.3.3　 實(shí)際系統(tǒng)中的社會(huì)化推薦算法　 　 153
6.3.4　 社會(huì)化推薦系統(tǒng)和協(xié)同過濾推薦系統(tǒng)　 　 155
6.3.5　 信息流推薦　 　 156
6.4　 給用戶推薦好友　 　 159
6.4.1　 基于內(nèi)容的匹配　 　 161
6.4.2　 基于共同興趣的好友推薦　 　 161
6.4.3　 基于社交網(wǎng)絡(luò)圖的好友推薦　 　 161
6.4.4　 基于用戶調(diào)查的好友推薦算法對(duì)比　 　 164
6.5　 擴(kuò)展閱讀　 　 165
第7章　 推薦系統(tǒng)實(shí)例　 　 166
7.1　 外圍架構(gòu)　 　 166
7.2　 推薦系統(tǒng)架構(gòu)　 　 167
7.3　 推薦引擎的架構(gòu)　 　 171
7.3.1　 生成用戶特征向量　 　 172
7.3.2　 特征?物品相關(guān)推薦　 　 173
7.3.3　 過濾模塊　 　 174
7.3.4　 排名模塊　 　 174
7.4　 擴(kuò)展閱讀　 　 178
第8章　 評(píng)分預(yù)測(cè)問題　 　 179
8.1　 離線實(shí)驗(yàn)方法　 　 180
8.2　 評(píng)分預(yù)測(cè)算法　 　 180
8.2.1　 平均值　 　 180
8.2.2　 基于鄰域的方法　 　 184
8.2.3　 隱語義模型與矩陣分解模型　 　 186
8.2.4　 加入時(shí)間信息　 　 192
8.2.5　 模型融合　 　 193
8.2.6　 Netflix Prize的相關(guān)實(shí)驗(yàn)結(jié)果　 　 195
后記　 　 196