●1推薦繫統基礎001
1.1推薦繫統簡介001
1.2推薦繫統常用方法003
1.2.1協同過濾003
1.2.2基於內容的推薦算法005
1.2.3網絡拓撲結構推薦算法005
1.3推薦繫統常用數據集與評價指標009
1.3.1常用數據集009
1.3.2評價指標010
1.4推薦繫統面臨的挑戰012
2基於雙重自適應機制的異質信息網絡推薦算法014
2.1網絡表示學習014
2.1.1淺層神經網絡模型015
2.1.2深度神經網絡模型016
2.2異質信息網絡018
2.2.1異質信息網絡中的相似度計算018
2.2.2異質信息網絡中的表示學習019
2.3基於異質信息網絡的推薦算法022
2.4雙重自適應異質信息網絡推薦模型023
2.4.1模型總體思想023
2.4.2模型構建方法026
2.4.3整體流程030
2.5實驗結果及分析031
2.5.1對比實驗結果031
2.5.2模型設計驗證036
2.5.3推薦列表長度影響分析037
2.5.4參數敏感度分折038
3基於時間和神經網絡的推薦策略研究043
3.1基於物品綜合流行性的推薦算法044
3.1.1時間權重衰減模型044
3.1.2物品綜合流行性模型045
3.2實驗結果047
3.2.1數據劃分047
3.2.2ComPI模型與基準算法結合049
3.2.3ComPI模型與基於時效性算法對比051
3.2.4ComPI模型與最近度增加算法對比052
3.2.5ComPI模型的綜合對比分析054
3.3實驗分析056
3.3.1時間權重的影響056
3.3.2分箱數量的影響057
3.3.3數據特性的影響058
3.3.4時間信息與資源分配059
3.4基於神經網絡解決冷啟動問題的推薦研究061
3.4.1基於BP神經網絡解決冷啟動的推薦模型062
3.4.2基於CNN解決冷啟動的物品推薦模型066
3.5實驗結果及分析073
3.5.1評價指標073
3.5.2 BP-Rec模型實驗結果074
3.5.3 CNN-Rec模型實驗結果081
4基於粒子群優化參數的混合推薦算法087
4.1粒子群算法087
4.2混合算法IHM 088
4.3雙參數的IHM算法090
4.4算法參數改進的合理性說明092
4.5 IHM算法的參數優化094
4.6實驗與分析096
4.6.1對比算法096
4.6.2參數優化097
4.6.3實驗結果099
4.6.4多樣性提升分析102
4.6.5數據劃分對推薦結果的影響106
5基於word2vec的推薦繫統模型研究112
5.1word2vec模型112
5.1.1 CBOW 112
5.1.2 Skip-gram 114
5.1.3分層softmax 115
5.1.4負采樣116
5.1.5高頻詞再抽樣117
5.2基於word2vec的圖隨機遊走推薦優化模型117
5.2.1基於圖隨機遊走更斷權重117
5.2.2更新推薦列表125
5.2.3推薦繫統總體結構設計126
5.3試驗分析128
5.3.1數據集128
5.3.2數據預處理129
5.3.3參數設置130
5.3.4實驗結果與分析132
6基於混合策略的個性化推薦算法研究139
6.1馬爾可夫鏈及評價標準139
6.1.1馬爾可夫性及過程139
6.1.2轉移概率140
6.1.3算法性能測試方法141
6.1.4測試標準概述及認識142
6.1.5關於K-means算法的簡要介紹146
6.2基於混合策略的個性化推薦算法146
6.2.1混合策略146
6.2.2構建推薦模型147
6.2.3改變權重與面積校正152
6.2.4參數和多樣性分析153
6.3實驗與分析157
6.3.1結果預分析157
6.3.2實驗結果對比158
參考文獻180

本書主要介紹了本團隊在推薦繫統召回階段和精排階段的一些研究成果，包括構造了一種基於三角形面積的三部圖推薦模型、基於混合參數優化二部圖推薦模型、基於時序衰減的推薦模型、基於word2vec遊走的推薦模型和基於異質圖網絡表達學習的推薦模型等共5種方法。書中內容可以作為推薦繫統研究人員的參考，也可以作為具體工業應用的推薦繫統的算法基礎。

蔡彪 著