內容簡介

隨著資訊技術和互聯網的發展，人們逐漸從資訊匱乏的時代走入了資訊超載（information overload）的時代。在這個時代，無論是資訊消費者還是資訊生產者都遇到了很大的挑戰：對於資訊消費者，從大量資訊中找到自己感興趣的資訊是一件非常困難的事情；對於資訊生產者，讓自己生產的資訊脫穎而出，受到廣大使用者的關注，也是一件非常困難的事情。推薦系統是解決這一矛盾的重要工具。推薦系統的任務是聯繫使用者和資訊，一方面説明用戶發現對自己有價值的資訊，另一方面讓資訊能夠展現在對它感興趣的使用者面前，從而實現資訊消費者和資訊生產者的雙贏。

作者介紹

項亮，畢業於中國科學技術大學和中國科學院自動化所，研究方向為機器學習和推薦系統，現任職於北京Hulu軟體技術開發有限公司，從事視頻推薦的研究和開發。2009年參加Netflix Prize推薦系統比賽獲得團體名，且於當年參與創建了Resys China推薦系統社區。

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　電影和視頻網站　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　用戶行為分析　39
2.2.1　用戶活躍度和物品流行度的分佈　39
2.2.2　用戶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　推薦系統冷開機問題　78
3.1　冷開機問題簡介　78
3.2　利用使用者註冊資訊　79
3.3　選擇合適的物品啟動用戶的興趣　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　用戶為什麼進行標注　100
4.2.2　用戶如何打標籤　101
4.2.3　用戶打什麼樣的標籤　102
4.3　基於標籤的推薦系統　103
4.3.1　實驗設置　104
4.3.2　一個簡單的演算法　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　給用戶推薦標籤　115
4.4.1　為什麼要給用戶推薦標籤　115
4.4.2　如何給用戶推薦標籤　115
4.4.3　實驗設置　116
4.4.4　基於圖的標籤推薦演算法　119
4.5　擴展閱讀　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　推薦系統的即時性　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　擴展閱讀　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　論壇和討論群組　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　給用戶推薦好友　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　擴展閱讀　165

第7章　推薦系統實例　166
7.1　週邊架構　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　擴展閱讀　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

看更多