●章 引言 1
1.1 部分：基本概念 2
1.1.1 協同過濾推薦 2
1.1.2 基於內容的推薦 2
1.1.3 基於知識的推薦 3
1.1.4 混合推薦方法 4
1.1.5 推薦繫統的解釋 4
1.1.6 評估推薦繫統 4
1.1.7 案例研究 5
1.2 第二部分：最新進展 5
部分 基本概念
第2章 協同過濾推薦 8
2.1 基於用戶的最近鄰推薦 8
2.1.1 個例子 8
2.1.2 更好的相似度和賦權體繫 10
2.1.3 選擇近鄰 11
2.2 基於物品的最近鄰推薦 11
2.2.1 餘弦相似度度量 12
2.2.2 基於物品過濾的數據預處理 13
2.3 關於評分 14
2.3.1 隱式和顯式評分 14
2.3.2 數據稀疏和冷啟動問題 15
2.4 更多基於模型和預處理的方法 16
2.4.1 矩陣因子分解 17
2.4.2 關聯規則挖掘 20
2.4.3 基於概率分析的推薦方法 22
2.5 近來實際的方法和繫統 25
2.5.1 Slope One預測器 26
2.5.2 Google新聞個性化推薦引擎 28
2.6 討論和小結 30
2.7 書目注釋 31
第3章 基於內容的推薦 32
3.1 內容表示和相似度 33
3.1.1 向量空間模型和TF-IDF 34
3.1.2 向量空間模型的改進及局限 35
3.2 基於內容相似度檢索 36
3.2.1 最近鄰 36
3.2.2 相關性反饋――Rocchio方法 37
3.3 其他文本分類方法 40
3.3.1 基於概率模型的方法 40
3.3.2 其他線性分類器和機器學習 43
3.3.3 顯式決策模型 44
3.3.4 特征選擇 45
3.4 討論 47
3.4.1 對比評估 47
3.4.2 局限 47
3.5 小結 48
3.6 書目注釋 49
第4章 基於知識的推薦 51
4.1 介紹 51
4.2 知識表示法和推理 52
4.2.1 約束 52
4.2.2 實例與相似度 54
4.3 與基於約束推薦繫統交互 55
4.3.1 默認設置 55
4.3.2 處理不滿意的需求和空結果集 57
4.3.3 提出對未滿足需求的修改建議 61
4.3.4 對基於物品/效用推薦結果的排序 61
4.4 與基於實例的推薦繫統交互 64
4.4.1 評價 65
4.4.2 混合評價 67
4.4.3 動態評價 67
4.4.4 不錯的物品推薦方法 70
4.4.5 評價多樣性 71
4.5 應用實例 72
4.5.1 VITA――基於約束的推薦繫統 72
4.5.2 Entree――基於實例的推薦繫統 77
4.6 書目注釋 79
第5章 混合推薦方法 80
5.1 混合推薦的時機 81
5.1.1 推薦理論框架 81
5.1.2 混合設計 82
5.2 整體式混合設計 83
5.2.1 特征組合的混合方案 84
5.2.2 特征補充的混合方案 85
5.3 並行式混合設計 87
5.3.1 交叉式混合 87
5.3.2 加權式混合 88
5.3.3 切換式混合 89
5.4 流水線混合設計 90
5.4.1 串聯混合 90
5.4.2 分級混合 91
5.5 討論和小結 92
5.6 書目注釋 92
第6章 推薦繫統的解釋 94
6.1 介紹 94
6.2 基於約束的推薦繫統中的解釋 96
6.2.1 實例 97
6.2.2 通過推導生成解釋 99
6.2.3 可靠解釋的分析與概述 100
6.2.4 可靠解釋 102
6.3 基於實例推薦繫統的解釋 103
6.4 協同過濾推薦繫統的解釋 106
6.5 小結 108
第7章 評估推薦繫統 109
7.1 介紹 109
7.2 評估研究的一般特性 110
7.2.1 總論 110
7.2.2 評估方案的實驗對像 111
7.2.3 研究方法 113
7.2.4 評估環境 115
7.3 主流推薦方案 115
7.4 歷史數據集評估 116
7.4.1 方法論 116
7.4.2 衡量標準 117
7.4.3 結果的分析 121
7.5 其他評估方案 121
7.5.1 實驗性研究方案 122
7.5.2 準實驗研究方案 122
7.5.3 非實驗研究方案 123
7.6 小結 123
7.7 書目注釋 124
第8章 案例分析：移動互聯網個性化遊戲推薦 125
8.1 應用與個性化概述 126
8.2 算法和評級 128
8.3 評估 128
8.3.1 測量1：我的推薦 129
8.3.2 測量2：售後推薦 131
8.3.3 測量3：起始頁推薦 133
8.3.4 測量4：演示版的整體效果 135
8.3.5 測量5：整體效果 136
8.4 小結與結論 138
第二部分 最新進展
第9章 針對協同推薦繫統的攻擊 140
9.1 個例子 141
9.2 攻擊維度 141
9.3 攻擊類型 142
9.3.1 隨機攻擊 142
9.3.2 均值攻擊 143
9.3.3 造勢攻擊 143
9.3.4 局部攻擊 143
9.3.5 針對性的打壓攻擊 144
9.3.6 點擊流攻擊和隱式反饋 144
9.4 效果評估和對策 145
9.4.1 推舉攻擊 145
9.4.2 打壓攻擊 146
9.5 對策 146
9.6 隱私方面――分布式協同過濾 148
9.6.1 集中方法：數據擾動 149
9.6.2 分布式協同過濾 150
9.7 討論 153
0章 在線消費決策 155
10.1 介紹 155
10.2 環境效應 156
10.3 首位/新近效應 159
10.4 其他效應 160
10.5 個人和社會心理學 161
10.6 書目注釋 167
1章 推薦繫統和下一代互聯網 168
11.1 基於信任網絡的推薦繫統 169
11.1.1 利用顯式的信任網絡 169
11.1.2 信任度度量方法和效果 171
11.1.3 相關方法和近期進展 172
11.2 大眾分類法及其他 174
11.2.1 基於大眾分類法的推薦 174
11.2.2 推薦標簽 181
11.2.3 在分享媒體中推薦內容 183
11.3 本體過濾 185
11.3.1 通過分類改進過濾 185
11.3.2 通過屬性改進過濾 188
11.4 從網絡抽取語義 189
11.5 小結 191
2章 普適環境中的推薦 192
12.1 介紹 192
12.2 上下文感知推薦 193
12.3 應用領域 195
12.4 小結 197
3章 總結和展望 198
13.1 總結 198
13.2 展望 198
參考文獻 201
索引 223