《考慮用戶心理因素的個性化推薦方法研究》是2020年清華大學出版社出版的圖書。
基本介紹
- 中文名：考慮用戶心理因素的個性化推薦方法研究
- 作者：賀江寧
- 出版時間：2020年
- 出版社：清華大學出版社
- ISBN：9787302549383
內容簡介,圖書目錄,
內容簡介
本書立足於個性化推薦和用戶心理學的交叉點，為用戶行為預測和心理學理論的研究者們提供了新的視角，有代表性地考慮了三類心理特質的影響，包括探索、涉入和從眾，來進行推薦方法的設計，基於貝葉斯模型的框架設計了一系列新型的機率圖模型。
圖書目錄
第1章引言
1.1選題背景與意義
1.2研究歷史與現狀
1.3研究內容和框架
1.4研究挑戰和方法
1.5研究成果和創新點
1.5.1考慮探索的推薦模型
1.5.2考慮涉入的推薦模型
1.5.3考慮從眾的推薦模型
第2章文獻綜述
2.1個性化推薦研究
2.1.1推薦方法分類
2.1.2社會化推薦
2.1.3典型推薦套用
2.2相關心理學理論
2.2.1探索理論
2.2.2涉入理論
2.2.3從眾理論
第3章考慮探索的推薦
3.1引言
3.2問題定義
3.3GEM模型
3.3.1模型設計
3.3.2相似度計算
3.3.3參數學習
3.3.4複雜度分析
3.4推薦方法
3.5實驗評估
3.5.1實驗設定
3.5.2推薦效果
3.5.3參數調節
3.5.4目標語義
3.5.5探索傾向分析
3.6管理啟示
3.7本章小結
第4章考慮涉入的推薦
4.1引言
4.2問題定義
4.3IMAR模型
4.3.1模型設計
4.3.2參數學習
4.4推薦方法
4.5實驗評估
4.5.1實驗設定
4.5.2推薦效果
4.5.3模型優勢分析
4.5.4興趣和涉入度發現
4.5.5IMAR與GEM對比分析
4.6管理啟示
4.7本章小結
第5章考慮從眾的推薦
5.1引言
5.2問題定義
5.3ICTM模型
5.3.1模型設計
5.3.2參數學習
5.3.3複雜度分析
5.4推薦方法
5.5實驗評估
5.5.1實驗設定
5.5.2推薦效果
5.5.3話題與社區發現
5.5.4從眾傾向分析
5.6管理啟示
5.7本章小結
第6章總結與展望
6.1研究工作總結
6.2未來研究展望
參考文獻
附錄AGEM模型參數學習推導細節
附錄BIMAR模型參數學習推導細節
附錄CICTM模型參數學習推導細節
致謝
Contents
Section 1Introduction
1.1Research background and significance
1.2Research history and status
1.3Research focus and framework
1.4Research challenges and methodology
1.5Research results and novelties
1.5.1An explorationenhanced recommendation
model
1.5.2An involvementenhanced recommendation
model
1.5.3An conformityenhanced recommendation
model
Section 2Literature review
2.1Personalized recommendation studies
2.1.1Topology of recommendation methods
2.1.2Social recommendations
2.1.3Related recommendation applications
2.2Related psychology theories
2.2.1Exploratory behavior theory
2.2.2Involvement theory
2.2.3Conformity theory
Section 3Explorationenhanced recommendation
3.1Introduction
3.2Problem definition
3.3GEM model
3.3.1Model design
3.3.2Similarity metrics
3.3.3Parameter learning
3.3.4Complexity analysis
3.4Recommendation methods
3.5Empirical evaluations
3.5.1Experimental settings
3.5.2Recommendation performance
3.5.3Parameter tuning
3.5.4Explaining goals
3.5.5Analyzing exploratory tendency
3.6Managerial implications
3.7Summary
Section 4Involvementenhanced recommendation
4.1Introduction
4.2Problem definition
4.3IMAR model
4.3.1Model design
4.3.2Parameter learning
4.4Recommendation methods
4.5Empirical evaluations
4.5.1Experimental settings
4.5.2Recommendation performance
4.5.3Analyzing advantages of IMAR
4.5.4Explaining interests and involvement
4.5.5Comparing IMAR and GEM
4.6Managerial implications
4.7Summary
Section 5Conformityenhanced recommendation
5.1Introduction
5.2Problem definition
5.3ICTM model
5.3.1Model design
5.3.2Parameter learning
5.3.3Complexity analysis
5.4Recommendation methods
5.5Empirical evaluations
5.5.1Experimental settings
5.5.2Recommendation performance
5.5.3Explaining topics and communities
5.5.4Analyzing conformity tendency
5.6Managerial implications
5.7Summary
Section 6Summary and future work
6.1A summary of this book
6.2A prospect of future work
References
Appendix ADerivation details of GEM model
Appendix BDerivation details of IMAR model
Appendix CDerivation details of ICTM model
Acknowledgements
