推荐系统实践

第1章 好的推荐系统1.1 什么是推荐系统1.2 个性化推荐系统的应用1.2.1 电子商务1.2.2 电影和视频网站1.2.3 个性化音乐网络电台1.2.4 社交网络1.2.5 个性化阅读1.2.6 基于位置的服务1.2.7 个性化邮件1.2.8 个性化广告1.3 推荐系统评测1.3.1 推荐系统实验方法1.3.2 评测指标1.3.3 评测维度第2章 利用用户行为数据2.1 用户行为数据简介2.2 用户行为分析2.2.1 用户活跃度和物品流行度的分布2.2.2 用户活跃度和物品流行度的关系2.3 实验设计和算法评测2.3.1 数据集2.3.2 实验设计2.3.3 评测指标2.4 基于邻域的算法2.4.1 基于用户的协同过滤算法2.4.2 基于物品的协同过滤算法2.4.3 UserCF和ItemCF的综合比较2.5 隐语义模型2.5.1 基础算法2.5.2 基于LFM的实际系统的例子2.5.3 LFM和基于邻域的方法的比较2.6 基于图的模型2.6.1 用户行为数据的二分图表示2.6.2 基于图的推荐算法第3章 推荐系统冷启动问题3.1 冷启动问题简介3.2 利用用户注册信息3.3 选择合适的物品启动用户的兴趣3.4 利用物品的内容信息3.5 发挥专家的作用第4章 利用用户标签数据4.1 UGC标签系统的代表应用4.1.1 Delicious4.1.2 CiteULike4.1.3 Last.fm4.1.4 豆瓣4.1.5 Hulu4.2 标签系统中的推荐问题4.2.1 用户为什么进行标注4.2.2 用户如何打标签4.2.3 用户打什么样的标签4.3 基于标签的推荐系统4.3.1 实验设置4.3.2 一个最简单的算法4.3.3 算法的改进4.3.4 基于图的推荐算法4.3.5 基于标签的推荐解释4.4 给用户推荐标签4.4.1 为什么要给用户推荐标签4.4.2 如何给用户推荐标签4.4.3 实验设置4.4.4 基于图的标签推荐算法4.5 扩展阅读第5章 利用上下文信息5.1 时间上下文信息5.1.1 时间效应简介5.1.2 时间效应举例5.1.3 系统时间特性的分析5.1.4 推荐系统的实时性5.1.5 推荐算法的时间多样性5.1.6 时间上下文推荐算法5.1.7 时间段图模型5.1.8 离线实验5.2 地点上下文信息5.3 扩展阅读第6章 利用社交网络数据6.1 获取社交网络数据的途径6.1.1 电子邮件6.1.2 用户注册信息6.1.3 用户的位置数据6.1.4 论坛和讨论组6.1.5 即时聊天工具6.1.6 社交网站6.2 社交网络数据简介6.3 基于社交网络的推荐6.3.1 基于邻域的社会化推荐算法6.3.2 基于图的社会化推荐算法6.3.3 实际系统中的社会化推荐算法6.3.4 社会化推荐系统和协同过滤推荐系统6.3.5 信息流推荐6.4 给用户推荐好友6.4.1 基于内容的匹配6.4.2 基于共同兴趣的好友推荐6.4.3 基于社交网络图的好友推荐6.4.4 基于用户调查的好友推荐算法对比6.5 扩展阅读第7章 推荐系统实例7.1 外围架构7.2 推荐系统架构7.3 推荐引擎的架构7.3.1 生成用户特征向量7.3.2 特征物品相关推荐7.3.3 过滤模块7.3.4 排名模块7.4 扩展阅读第8章 评分预测问题8.1 离线实验方法8.2 评分预测算法8.2.1 平均值8.2.2 基于邻域的方法8.2.3 隐语义模型与矩阵分解模型8.2.4 加入时间信息8.2.5 模型融合8.2.6 Netflix Prize的相关实验结果后记

　　随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载（informationoverload）的时代。在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：对于信息消费者，从大量信息中找到自己感兴趣的信息是一件非常困难的事情；对于信息生产者，让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具。推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。【作者简介】　　项亮　　毕业于中国科学技术大学和中国科学院自动化所，研究方向为机器学习和推荐系统，现任职于北京Hulu软件技术开发有限公司，从事视频推荐的研究和开发。2009年参加NetflixPrize推荐系统比赛获得团体第二名，且于当年参与创建了Resys China推荐系统社区。