目　 　 錄
第1章　 好的推薦系統　 　 1
1.1　 什麼是推薦系統　 　 1
1.2　 個性化推薦系統的應用　 　 4
1.2.1　 電子商務　 　 4
1.2.2　 電影和視訊網站　 　 8
1.2.3　 個性化音樂網路電臺　 　 10
1.2.4　 社交網路　 　 12
1.2.5　 個性化閱讀　 　 15
1.2.6　 基於位置的服務　 　 16
1.2.7　 個性化郵件　 　 17
1.2.8　 個性化廣告　 　 18
1.3　 推薦系統評測　 　 19
1.3.1　 推薦系統實驗方法　 　 20
1.3.2　 評測指標　 　 23
1.3.3　 評測維度　 　 34
第2章　 利用使用者行為資料　 　 35
2.1　 使用者行為資料簡介　 　 36
2.2　 使用者行為分析　 　 39
2.2.1　 使用者活躍度和物品流行度的分佈　 　 39
2.2.2　 使用者活躍度和物品流行度的關係　 　 41
2.3　 實驗設計和演算法評測　 　 41
2.3.1　 資料集　 　 42
2.3.2　 實驗設計　 　 42
2.3.3　 評測指標　 　 42
2.4　 基於鄰域的演算法　 　 44
2.4.1　 基於使用者的協同過濾演算法　 　 44
2.4.2　 基於物品的協同過濾演算法　 　 51
2.4.3　 UserCF和ItemCF的綜合比較　 　 59
2.5　 隱語義模型　 　 64
2.5.1　 基礎演算法　 　 64
2.5.2　 基於LFM的實際系統的例子　 　 70
2.5.3　 LFM和基於鄰域的方法的比較　 　 72
2.6　 基於圖的模型　 　 73
2.6.1　 使用者行為資料的二分圖表示　 　 73
2.6.2　 基於圖的推薦演算法　 　 73
第3章　 推薦系統冷啟動問題　 　 78
3.1　 冷啟動問題簡介　 　 78
3.2　 利用使用者註冊資訊　 　 79
3.3　 選擇合適的物品啟動使用者的興趣　 　 85
3.4　 利用物品的內容資訊　 　 89
3.5　 發揮專家的作用　 　 94
第4章　 利用使用者標籤資料　 　 96
4.1　 UGC標籤系統的代表應用　 　 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　 標籤系統中的推薦問題　 　 100
4.2.1　 使用者為什麼進行標註　 　 100
4.2.2　 使用者如何打標籤　 　 101
4.2.3　 使用者打什麼樣的標籤　 　 102
4.3　 基於標籤的推薦系統　 　 103
4.3.1　 實驗設定　 　 104
4.3.2　 一個最簡單的演算法　 　 105
4.3.3　 演算法的改進　 　 107
4.3.4　 基於圖的推薦演算法　 　 110
4.3.5　 基於標籤的推薦解釋　 　 112
4.4　 給使用者推薦標籤　 　 115
4.4.1　 為什麼要給使用者推薦標籤　 　 115
4.4.2　 如何給使用者推薦標籤　 　 115
4.4.3　 實驗設定　 　 116
4.4.4　 基於圖的標籤推薦演算法　 　 119
4.5　 擴充套件閱讀　 　 119
第5章　 利用上下文資訊　 　 121
5.1　 時間上下文資訊　 　 122
5.1.1　 時間效應簡介　 　 122
5.1.2　 時間效應舉例　 　 123
5.1.3　 系統時間特性的分析　 　 125
5.1.4　 推薦系統的實時性　 　 127
5.1.5　 推薦演算法的時間多樣性　 　 128
5.1.6　 時間上下文推薦演算法　 　 130
5.1.7　 時間段圖模型　 　 134
5.1.8　 離線實驗　 　 136
5.2　 地點上下文資訊　 　 139
5.3　 擴充套件閱讀　 　 143
第6章　 利用社交網路資料　 　 144
6.1　 獲取社交網路資料的途徑　 　 144
6.1.1　 電子郵件　 　 145
6.1.2　 使用者註冊資訊　 　 146
6.1.3　 使用者的位置資料　 　 146
6.1.4　 論壇和討論組　 　 146
6.1.5　 即時聊天工具　 　 147
6.1.6　 社交網站　 　 147
6.2　 社交網路資料簡介　 　 148社交網路資料中的長尾分佈　 　 149
6.3　 基於社交網路的推薦　 　 150
6.3.1　 基於鄰域的社會化推薦演算法　 　 151
6.3.2　 基於圖的社會化推薦演算法　 　 152
6.3.3　 實際系統中的社會化推薦演算法　 　 153
6.3.4　 社會化推薦系統和協同過濾推薦系統　 　 155
6.3.5　 資訊流推薦　 　 156
6.4　 給使用者推薦好友　 　 159
6.4.1　 基於內容的匹配　 　 161
6.4.2　 基於共同興趣的好友推薦　 　 161
6.4.3　 基於社交網路圖的好友推薦　 　 161
6.4.4　 基於使用者調查的好友推薦演算法對比　 　 164
6.5　 擴充套件閱讀　 　 165
第7章　 推薦系統例項　 　 166
7.1　 外圍架構　 　 166
7.2　 推薦系統架構　 　 167
7.3　 推薦引擎的架構　 　 171
7.3.1　 生成使用者特徵向量　 　 172
7.3.2　 特徵?物品相關推薦　 　 173
7.3.3　 過濾模組　 　 174
7.3.4　 排名模組　 　 174
7.4　 擴充套件閱讀　 　 178
第8章　 評分預測問題　 　 179
8.1　 離線實驗方法　 　 180
8.2　 評分預測演算法　 　 180
8.2.1　 平均值　 　 180
8.2.2　 基於鄰域的方法　 　 184
8.2.3　 隱語義模型與矩陣分解模型　 　 186
8.2.4　 加入時間資訊　 　 192
8.2.5　 模型融合　 　 193
8.2.6　 Netflix Prize的相關實驗結果　 　 195
後記　 　 196