计算机科学丛书 系统技术评估及高效算法 原书第2版PDF|Epub|txt|kindle电子书版本下载

计算机科学丛书 系统技术评估及高效算法 原书第2版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 推荐系统：简介和挑战1

1.1 简介1

1.2 推荐系统的功能3

1.3 数据和知识来源5

1.4 推荐技术7

1.5 推荐系统评估10

1.6 推荐系统应用11

1.7 推荐系统与人机交互13

1.8 高级话题14

1.9 挑战16

1.9.1 偏好获取与分析16

1.9.2 交互17

1.9.3 新的推荐任务18

参考文献19

第一部分 推荐系统技术24

第2章 基于邻域的推荐方法综述24

2.1 简介24

2.1.1 基于邻域方法的优势25

2.1.2 目标和概要26

2.2 问题定义和符号26

2.3 基于邻域的推荐27

2.3.1 基于用户的评分预测28

2.3.2 基于用户的分类预测方法28

2.3.3 回归与分类29

2.3.4 基于物品的推荐29

2.3.5 基于用户和基于物品的推荐方法的比较30

2.4 基于邻域方法的要素31

2.4.1 评分标准化31

2.4.2 相似度权重的计算33

2.4.3 邻域的选择37

2.5 高级进阶技术37

2.5.1 基于图的方法38

2.5.2 基于学习的方法40

2.6 总结44

参考文献44

第3章 协同过滤方法进阶48

3.1 简介48

3.2 预备知识49

3.2.1 基准预测49

3.2.2 Netflix数据50

3.2.3 隐式反馈51

3.3 矩阵分解模型51

3.3.1 SVD52

3.3.2 SVD＋＋53

3.3.3 时间敏感的因子模型54

3.3.4 比较57

3.3.5 小结58

3.4 基于邻域的模型59

3.4.1 相似度度量59

3.4.2 基于相似度的插值60

3.4.3 联合派生插值权重61

3.4.4 小结63

3.5 增强的基于邻域的模型63

3.5.1 全局化的邻域模型64

3.5.2 因式分解的邻域模型67

3.5.3 基于邻域模型的动态时序71

3.5.4 小结72

3.6 基于邻域的模型和因子分解模型的比较73

参考文献75

第4章 基于内容的语义感知推荐系统77

4.1 简介77

4.2 基于内容的推荐系统概述77

4.2.1 基于关键词的向量空间模型79

4.2.2 用户特征学习的方法80

4.2.3 基于内容过滤的优缺点81

4.3 自上而下的语义方法82

4.3.1 基于本体资源的方法83

4.3.2 基于非结构化或半结构化百科知识的方法84

4.3.3 基于关联开放数据的方法86

4.4 自下而上的语义方法90

4.4.1 基于判别式模型的方法90

4.5 方法比较与小结94

4.6 总结与未来挑战95

致谢96

参考文献96

第5章 基于约束的推荐系统103

5.1 简介103

5.2 推荐知识库的开发105

5.3 推荐过程中的用户导向作用108

5.4 计算推荐结果113

5.5 实际应用的经验114

5.6 未来的研究方法116

5.7 总结118

参考文献118

第6章 情境感知推荐系统123

6.1 简介和动机123

6.2 推荐系统中的情境124

6.2.1 什么是情境124

6.2.2 推荐系统中模型化情境信息的表征性方法125

6.2.3 推荐系统中主要的情境信息建模方法127

6.2.4 获取情境信息130

6.3 结合具有代表性情境的推荐系统范式131

6.3.1 情境预过滤133

6.3.2 情境后过滤136

6.3.3 情境建模137

6.4 讨论和总结138

致谢140

参考文献140

第7章 推荐系统中的数据挖掘方法145

7.1 简介145

7.2 数据预处理146

7.2.1 相似度度量方法146

7.2.2 抽样147

7.2.3 降维148

7.2.4 去噪150

7.3 监督学习150

7.3.1 分类150

7.3.2 分类器的集成157

7.3.3 评估分类器157

7.4 无监督学习159

7.4.1 聚类分析159

7.4.2 关联规则挖掘161

7.5 总结162

参考文献163

第二部分 推荐系统评估170

第8章 推荐系统的评估170

8.1 简介170

8.2 实验设置171

8.2.1 离线实验172

8.2.2 用户调查173

8.2.3 在线评估175

8.2.4 得出可靠结论176

8.3 推荐系统属性178

8.3.1 用户偏好179

8.3.2 预测精度179

8.3.3 覆盖率186

8.3.4 置信度187

8.3.5 信任度188

8.3.6 新颖性188

8.3.7 惊喜度189

8.3.8 多样性190

8.3.9 效用191

8.3.10 风险191

8.3.11 健壮性192

8.3.12 隐私192

8.3.13 适应性193

8.3.14 可扩展性193

8.4 结论193

参考文献194

第9章 使用用户实验评估推荐系统198

9.1 简介198

9.2 理论基础与现有工作199

9.2.1 理论基础：Knij nenburg等人提出的评估框架199

9.2.2 现有以用户为中心的研究概览以及有前景的方向201

9.3 实践指南203

9.3.1 研究模型203

9.3.2 参与者206

9.3.3 实验操控207

9.3.4 测量209

9.3.5 统计评估214

9.4 结论219

参考文献221

第10章 对推荐结果的解释：设计和评估228

10.1 简介228

10.2 推荐设计的呈现和交互229

10.2.1 推荐呈现229

10.2.2 偏好提取230

10.3 解释风格231

10.3.1 基于协作的解释风格232

10.3.2 基于内容的解释风格233

10.3.3 基于案例推理（CBR）的解释风格234

10.3.4 基于知识和基于效用的解释风格234

10.3.5 基于人口统计的解释方式235

10.4 目标和度量235

10.4.1 系统如何工作：透明性237

10.4.2 允许用户告诉系统它是错误的：被理解237

10.4.3 增加用户对系统的信任：信任度238

10.4.4 说服用户尝试或购买：说服力239

10.4.5 帮助用户充分地决策：有效性239

10.4.6 帮助用户快速制定决策：效率240

10.4.7 系统满意度241

10.5 未来的方向242

10.5.1 推荐的社会性242

10.5.2 解释、偶然性和过滤泡泡242

10.5.3 应该何时展现推荐解释242

10.5.4 推荐解释：有益还是有害242

参考文献243

第三部分 推荐系统应用248

第11章 工业界的推荐系统：Netflix案例分析248

11.1 简介248

11.2 推荐系统在工业界中的应用248

11.3 Netflix大奖赛250

11.4 评分预测之外的推荐工作251

11.4.1 推荐无处不在251

11.4.2 排序253

11.4.3 页面优化254

11.5 数据和模型255

11.5.1 数据255

11.5.2 模型256

11.6 消费者数据科学256

11.7 架构258

11.7.1 事件和数据分布系统259

11.7.2 线下、近似在线、线上计算260

11.7.3 推荐结果261

11.8 可扩展的研究方向261

11.8.1 隐式反馈262

11.8.2 个性化排序学习262

11.8.3 全页优化262

11.8.4 情景推荐263

11.8.5 评测及标准263

11.8.6 类别不平衡及其效应263

11.8.7 社交推荐264

11.9 结论264

参考文献265

第12章 辅助学习的推荐系统综述271

12.1 简介271

12.2 技术增强学习272

12.3 技术增强学习推荐系统的分类框架273

12.4 方法综述274

12.4.1 方法和技术增强学习推荐系统综述274

12.4.2 框架分析278

12.5 结论284

致谢287

参考文献287

第13章 音乐推荐系统294

13.1 简介294

13.2 基于内容的音乐推荐295

13.2.1 元数据信息295

13.2.2 音频内容296

13.3 基于上下文的音乐推荐298

13.3.1 环境相关的上下文298

13.3.2 用户相关的上下文300

13.3.3 在音乐推荐系统中结合上下文信息300

13.4 混合音乐推荐301

13.4.1 结合内容与上下文描述符302

13.4.2 结合协同过滤与内容描述符302

13.4.3 结合协同过滤与上下文描述符304

13.5 自动生成播放列表305

13.5.1 并行和序列消费305

13.5.2 播放列表评估306

13.5.3 播放列表生成算法307

13.6 数据集和评估308

13.6.1 评估方法309

13.6.2 Yahoo！Music数据集和KDD Cup 2011310

13.6.3 百万级别歌曲数据集（MSD）和MSD Challenge 2012310

13.6.4 Last.fm数据集：360K/1K用户311

13.6.5 MusicMicro和百万级别音乐数据集（MMTD）311

13.6.6 AotM-2011312

13.7 总结与挑战312

参考文献312

第14章 剖析基于位置的移动推荐系统320

14.1 简介320

14.2 移动推荐系统的数据321

14.2.1 发现兴趣点和位置偏好322

14.2.2 根据智能手机传感器的行为推导323

14.3 移动应用中计算推荐的方法323

14.3.1 推荐形式化概述324

14.3.2 推荐场所的算法325

14.4 移动推荐的评估326

14.5 结论和未来方向327

参考文献328

第15章 社会化推荐系统332

15.1 简介332

15.2 内容推荐332

15.2.1 关键领域333

15.2.2 群组推荐334

15.2.3 案例研究：企业社交媒体推荐335

15.2.4 小结337

15.3 人物推荐338

15.3.1 推荐连接的人339

15.3.2 推荐陌生人341

15.3.3 推荐被关注者342

15.3.4 相关研究领域343

15.3.5 小结343

15.4 讨论343

15.5 新兴领域和开放性挑战345

15.5.1 新兴领域345

15.5.2 开放性挑战346

参考文献346

第16章 人与人之间的相互推荐351

16.1 简介351

16.2 互惠推荐与传统推荐351

16.3 关于人与人推荐的已有工作352

16.3.1 社交网络352

16.3.2 师徒匹配353

16.3.3 工作推荐353

16.3.4 在线婚恋354

16.4 在线婚恋系统案例分析355

16.4.1 一种基于内容—协同双向在线婚恋推荐系统356

16.4.2 显式与隐式的用户偏好359

16.5 总结与未来工作362

参考文献363

第17章 社交网络搜索中的协作、信用机制和推荐系统365

17.1 简介365

17.2 网络搜索的历史简介366

17.3 网络搜索的未来368

17.3.1 个性化网络搜索368

17.3.2 协同信息检索371

17.3.3 关于信誉与推荐372

17.3.4 向社交搜索前进373

17.4 案例研究1：HeyStaks——社交搜索用例373

17.4.1 HeyStaks系统374

17.4.2 HeyStaks推荐引擎374

17.4.3 评估376

17.5 案例研究2：社会搜索的信誉模型377

17.5.1 从活动到信誉378

17.5.2 信誉作为协同378

17.5.3 实例379

17.5.4 基于图的信誉模型379

17.5.5 从用户信誉到结果推荐380

17.5.6 评估381

17.6 搜索未来383

17.6.1 从搜索到发现383

17.6.2 在传感器丰富的移动世界中搜索383

致谢384

参考文献384

第四部分 人机交互392

第18章 人类决策过程与推荐系统392

18.1 简介392

18.2 选择模式和推荐393

18.2.1 基于属性的选择394

18.2.2 基于结果的选择395

18.2.3 基于经验的选择395

18.2.4 基于社会的选择396

18.2.5 基于策略的选择396

18.2.6 基于反复试错的选择397

18.2.7 混合模式的选择397

18.2.8 什么是一个好的选择398

18.3 支持选择策略和推荐398

18.3.1 代表选择者的评估398

18.3.2 选择过程的建议399

18.3.3 获取信息与经验399

18.3.4 代表选择的情景400

18.3.5 合并和计算400

18.3.6 设计域400

18.3.7 支持策略的结束语400

18.4 论证和解释400

18.4.1 论证400

18.4.2 推荐的可解释性401

18.5 偏好和评级402

18.5.1 什么是“偏好”402

18.5.2 评分反映了什么403

18.6 消除选择过载405

18.7 支持性的反复试错法405

18.7.1 有稳定评判标准的反复试错法406

18.7.2 有变化评判标准的反复试错法407

18.8 处理在选择过程中潜在噪声造成的影响407

18.8.1 上下文效应407

18.8.2 顺序效应408

18.8.3 框架效应408

18.8.4 启动效应409

18.8.5 默认值409

18.9 总结410

致谢410

参考文献411

第19章 推荐系统中的隐私问题415

19.1 简介415

19.2 推荐系统中的隐私风险416

19.2.1 由推荐系统导致的风险417

19.2.2 由普通用户导致的风险419

19.2.3 由外部人员导致的风险420

19.2.4 小结420

19.3 隐私保护方法421

19.3.1 面向架构与系统设计的方案422

19.3.2 面向算法的方案425

19.3.3 基于政策的方案429

19.4 人的因素和对于隐私的认知430

19.4.1 透明化与管控的局限性431

19.4.2 隐私助推432

19.4.3 隐私自适应433

19.5 总结与思考434

参考文献435

第20章 影响推荐系统可信度评估的来源因素442

20.1 简介442

20.2 在线来源的可信度评估442

20.3 推荐系统作为社交参与者443

20.4 人际交互中的来源因素443

20.4.1 来源可信度443

20.4.2 来源线索444

20.5 人-技术交互中的来源因素445

20.6 用户与推荐系统交互的来源因素446

20.6.1 推荐系统类型447

20.6.2 输入特征447

20.6.3 过程特征447

20.6.4 输出特征448

20.6.5 嵌入式智能代理特征448

20.6.6 新兴社交技术的影响449

20.7 讨论449

20.8 影响450

20.9 未来研究方向451

参考文献451

第21章 用户性格和推荐系统459

21.1 简介459

21.2 什么是性格特征460

21.2.1 五因素性格模型460

21.2.2 其他性格模型461

21.2.3 用户性格与用户偏好如何相关462

21.3 性格采集462

21.3.1 显式性格采集方法463

21.3.2 隐式性格采集方法464

21.3.3 推荐系统的线下实验数据集466

21.4 如何在推荐系统中使用用户性格466

21.4.1 解决新用户的问题467

21.4.2 多样性/意外收获468

21.4.3 跨域推荐469

21.4.4 群组推荐469

21.5 难题和挑战469

21.5.1 非侵入式方法获取性格信息469

21.5.2 大规模数据集470

21.5.3 跨域应用470

21.5.4 多样性470

21.5.5 隐私问题470

21.6 总结471

致谢471

参考文献471

第五部分 高级话题476

第22章 组推荐系统：聚合、满意度和组属性476

22.1 简介476

22.2 组推荐的应用场景和分类477

22.2.1 使用场景1：交互式电视477

22.2.2 使用场景2：环境智能477

22.2.3 应用场景背后的相关工作478

22.2.4 组推荐系统的分类478

22.3 合并策略479

22.3.1 合并策略概览480

22.3.2 合并策略在相关工作中的应用481

22.3.3 哪种策略性能最佳482

22.4 序列顺序的影响484

22.5 对情感状态建模486

22.5.1 对个人满意度进行建模486

22.5.2 个人满意度对群组的影响487

22.6 满意度在聚合策略中的使用488

22.7 组合属性：角色、个性、专长、关系强度、关系类型和个人影响488

22.8 对单个用户进行组推荐490

22.8.1 多准则490

22.8.2 冷启动问题491

22.8.3 虚拟组成员492

22.9 总结和挑战492

22.9.1 提出的主要问题492

22.9.2 警告：组建模493

22.9.3 面临的挑战494

致谢495

参考文献495

第23章 推荐系统中的聚合功能498

23.1 简介498

23.2 推荐系统中的聚合类型498

23.2.1 协同过滤中的偏好聚合499

23.2.2 CB与UB推荐中的特征聚合500

23.2.3 物品和用户相似度计算以及邻居集的构建方式500

23.2.4 CB与UB的用户配置文件构建501

23.2.5 基于实例推理的连接词在推荐系统中的应用501

23.2.6 加权混合系统502

23.3 聚合函数概述502

23.3.1 定义和属性502

23.3.2 聚合成员504

23.4 聚合函数的构建508

23.4.1 数据收集和处理508

23.4.2 期望属性、语义、解释509

23.4.3 函数表现的复杂度及其理解510

23.4.4 基于惩罚的构造方法510

23.4.5 权重和参数的确定511

23.5 推荐系统中的复杂聚合过程：为特定应用定制511

23.6 总结514

参考文献514

第24章 推荐系统中的主动学习517

24.1 简介517

24.1.1 推荐系统中主动学习的目标518

24.1.2 例证519

24.1.3 主动学习的类型519

24.2 数据集的属性520

24.3 主动学习在推荐系统中的应用521

24.4 基于不确定性的主动学习523

24.4.1 输出不确定性524

24.4.2 决策边界不确定性525

24.4.3 模型不确定性525

24.5 基于误差的主动学习527

24.5.1 基于实例的方法527

24.5.2 基于模型的方法529

24.6 基于组合的主动学习529

24.6.1 基于模型的方法530

24.6.2 基于候选的方法530

24.7 基于会话的主动学习532

24.7.1 基于实例的评论532

24.7.2 基于多样性的方法533

24.7.3 基于查询编辑的方法533

24.8 评估的设置533

24.8.1 范围533

24.8.2 获取自然评分534

24.8.3 时间的演化534

24.8.4 可比性535

24.8.5 小结535

24.9 计算因素的考虑536

24.10 总结536

参考文献537

第25章 多准则推荐系统541

25.1 简介541

25.2 多准则评分推荐543

25.2.1 传统的单准则评分推荐问题543

25.2.2 引入多准则评分来扩展传统推荐系统544

25.3 预测中使用多准则评分545

25.3.1 启发式方法546

25.3.2 基于模型的方法548

25.4 推荐中使用多准则评分552

25.4.1 相关工作：多准则优化553

25.4.2 设计物品推荐整体序列553

25.4.3 发现帕累托最优的物品推荐554

25.4.4 使用多准则评分作为推荐过滤器554

25.5 讨论及未来工作555

25.5.1 研究多准则评分的新技术555

25.5.2 扩展多准则的现有技术556

25.5.3 多准则评分的管理556

25.6 总结557

参考文献557

第26章 推荐系统中的新颖性和多样性562

26.1 简介562

26.2 推荐系统中的新颖性和多样性562

26.2.1 推荐系统为什么需要新颖性和多样性563

26.2.2 新颖性和多样性的定义564

26.2.3 其他领域的多样性564

26.3 新颖性和多样性的评估565

26.3.1 标记565

26.3.2 平均列表内距离565

26.3.3 全局长尾新颖性566

26.3.4 用户特定的不可预测性566

26.3.5 推荐内多样性指标567

26.3.6 具体方法568

26.3.7 多样性、新颖性和惊喜性569

26.3.8 信息检索多样性569

26.4 新颖性和多样性增强方法570

26.4.1 结果的多样化或重排570

26.4.2 使用聚类的多样化571

26.4.3 基于融合的方法572

26.4.4 多样性排序学习572

26.4.5 惊喜性：使令人惊讶的推荐成为可能572

26.4.6 其他方法572

26.4.7 用户研究573

26.4.8 信息检索中多样化的方法573

26.5 统一框架574

26.5.1 通用的新颖性/多样性度量方案574

26.5.2 物品新颖性模型574

26.5.3 指标生成575

26.5.4 连接推荐多样性和检索多样性577

26.6 实验指标比较579

26.7 总结581

参考文献581

第27章 跨领域推荐系统586

27.1 简介586

27.2 跨领域推荐问题的表示587

27.2.1 领域的定义587

27.2.2 跨领域推荐的任务589

27.2.3 跨领域推荐的目标590

27.2.4 跨领域推荐的场景591

27.3 跨领域推荐技术的分类592

27.4 基于知识聚合的跨领域推荐595

27.4.1 合并单个领域的用户偏好595

27.4.2 整合单个领域的用户模型数据598

27.4.3 综合单个领域的推荐结果599

27.5 基于知识连接和迁移的跨领域推荐600

27.5.1 连接领域600

27.5.2 领域间的潜在特征共享602

27.5.3 领域间的评分模式迁移604

27.6 跨领域推荐系统的评估606

27.6.1 数据划分606

27.6.2 评估指标607

27.6.3 敏感性分析608

27.7 跨领域推荐中的现实考量609

27.8 开放的研究问题610

参考文献611

第28章 具有鲁棒性的协同推荐615

28.1 简介615

28.2 问题定义616

28.3 攻击分类617

28.3.1 基础攻击618

28.3.2 非充分信息攻击618

28.3.3 打压攻击模型619

28.3.4 知情攻击模型619

28.3.5 混淆攻击620

28.4 评估系统鲁棒性621

28.4.1 评估指标621

28.4.2 推举攻击621

28.4.3 打压攻击623

28.4.4 知情攻击624

28.4.5 攻击效果624

28.5 攻击检测624

28.5.1 评估指标625

28.5.2 单用户检测626

28.5.3 用户信息组检测627

28.5.4 检测发现630

28.6 超越基于内存的算法630

28.6.1 基于模型的推荐630

28.6.2 隐私保护算法631

28.6.3 影响力限制器和基于信誉的推荐631

28.7 鲁棒的算法631

28.7.1 鲁棒的矩阵分解算法631

28.7.2 其他具有鲁棒性的推荐算法632

28.8 应对推荐系统攻击的实际措施632

28.9 总结633

致谢633

参考文献633