電子商務推薦系統導論

電子商務推薦系統導論

《電子商務推薦系統導論》是2014年科學出版社出版的圖書,作者是伍之昂、曹傑。

出版信息,內容簡介,目錄,

出版信息

電子商務推薦系統導論
作者: 伍之昂、曹傑
出版社: 科學出版社
出版年: 2014-11
頁數: 200
定價: 69.00
ISBN: 9787030422651

內容簡介

電子商務推薦系統導論》以電子商務為套用背景,深入淺出、全面地介紹推薦系統基本原理和主流技術,對每種模型和算法的闡述力求易於理解,並保持數學嚴謹性。《電子商務推薦系統導論》涵蓋的內容有:傳統推薦模型與算法、情境推薦模型與算法、社會化推薦模型與算法、推薦系統評價指標與方法、推薦系統的可信性和安全性、電子商務推薦系統與企業績效、電子商務推薦系統架構設計以及在大數據時代下推薦系統的展望。在章節論述過程中,作者主要從學術研究角度出發,圍繞推薦系統面臨的挑戰性問題,闡釋現有研究中的主流技術,指出值得進一步研究的難題。同時,還對電子商務推薦系統設計開發涉及的工程性技術及成功的實際套用系統作了簡明扼要的闡述。
電子商務的迅猛發展使得服務信息呈現出“過載(overload)”趨勢,用戶面對海量的商品服務信息束手無策,難以快速找到自己需要的信息,推薦系統(RecommenderSystem)是解決信息過載問題非常有潛力的方法。目前,幾乎所有的電子商務網站都不同程度地集成了推薦系統,如Amazon、eBay、Netflix、淘寶、噹噹等。本書將圍繞電子商務推薦系統這一主題,從基礎技術和商業套用兩個角度入手,介紹傳統推薦模型和算法、社交網路與電子商務推薦系統融合後的推薦模型與算法、移動推薦、推薦系統安全性和可信性、推薦系統對企業績效的影響、影響企業績效因素反過來對推薦系統設計的提升。在此基礎上,介紹幾個典型的電子商務推薦套用系統。

目錄

前言
第1章引論
1.1推薦系統概述
1.1.1推薦系統:動機與現狀
1.1.2電子商務:推薦系統最重要的套用領域
1.1.3推薦系統:形式化建模
1.2推薦系統研究概覽
1.2.1挑戰性問題
1.2.2本書組織結構
參考文獻
第2章傳統推薦模型與算法
2.1協同過濾模型
2.1.1基於用戶的協同過濾
2.1.2基於項目的協同過濾
2.1.3相似度計算方法
2.1.4混合型協同過濾
2.1.5一個例子
2.2基於內容的推薦模型
2.2.1項目和用戶表示
2.2.2用戶興趣學習模型
2.3潛在語義分析模型
2.3.1奇異值分解模型
2.3.2機率潛在語義分析模型
2.3.3潛在狄利克雷分配模型
2.4基於關聯規則挖掘的推薦
2.4.1頻繁模式與關聯規則挖掘
2.4.2基於關聯規則的推薦
參考文獻
第3章情境推薦模型與算法
3.1推薦系統情境信息
3.1.1什麼是情境信息
3.1.2情境信息的層次式表征
3.2融合情境信息的推薦模型
3.2.1情境預過濾
3.2.2情境後過濾
3.2.3情境化建模
3.2.4三類範式的混合使用
3.3基於時空信息的推薦模型
3.3.1考慮用戶興趣漂移的推薦
3.3.2移動推薦
3.4基於隱反饋信息的推薦模型
參考文獻
第4章社會化推薦模型與算法
4.1社會計算與社會化推薦
4.1.1社會計算研究議題概覽
4.1.2社會化推薦
4.2社會化協同過濾模型
4.2.1基於信任關係的社會化協同過濾
4.2.2基於矩陣分解的社會化協同過濾
4.3社會化標籤系統中的推薦
4.3.1社會化標籤系統概述
4.3.2基於社會化標籤的多模式推薦
4.4鏈路預測
4.4.1基於拓撲結構信息的鏈路預測
4.4.2基於節點信息的鏈路預測
4.5作者協作關係網路中的推薦
4.5.1專家推薦
4.5.2論文推薦
4.6社會化推薦領域的挑戰性問題
參考文獻
第5章推薦系統評價指標與方法
5.1評價任務概述
5.2評價指標
5.2.1準確性指標
5.2.2準確度以外的指標
5.3實驗數據集
5.3.1一般性評分數據集
5.3.2融合社會網路的數據集
5.4評價方法
5.4.1線上評價
5.4.2離線評價
5.5總結
參考文獻
第6章推薦系統可信性與安全性
6.1托攻擊概述
6.1.1托攻擊模型
6.1.2托攻擊分類
6.2托攻擊危害性衡量指標與脆弱性分析
6.2.1托攻擊危害性指標
6.2.2托攻擊脆弱性分析
6.3托攻擊檢測特徵指標與特徵選擇
6.3.1托攻擊檢測特徵指標
6.3.2托攻擊檢測指標特徵選擇
6.4托攻擊檢測算法
6.4.1監督學習模型
6.4.2無監督學習模型
6.4.3半監督學習模型
6.5托攻擊檢測算法評價方法
6.5.1仿真實驗
6.5.2真實案例分析
6.6群組攻擊
6.6.1嚴格版本的群組攻擊構建算法
6.6.2鬆弛版本的群組攻擊構建算法
6.7未來的研究方向
參考文獻
第7章電子商務推薦系統與企業績效
7.1電子商務企業績效對推薦系統的影響
7.1.1電子商務企業績效的長尾效應
7.1.2長尾分布、齊普夫定律和冪律分布
7.1.3長尾效應對推薦系統設計的思考
7.2多樣化推薦系統設計
7.2.1多樣性的定義
7.2.2重排序技術
7.2.3基於主題多樣性的推薦
7.3推薦系統冷啟動問題
7.3.1冷啟動問題概述
7.3.2種子項目選擇方法
7.4總結
參考文獻
第8章電子商務推薦系統架構設計
8.1商用推薦系統概述
8.1.1通用框架
8.1.2數據類型
8.1.3用戶畫像
8.2推薦系統案例分析
8.2.1Amazon推薦系統
8.2.2Netflix推薦系統
8.2.3Hulu推薦系統
8.3基於Web日誌的推薦
8.3.1Web使用挖掘技術
8.3.2Google新聞推薦系統
參考文獻
第9章下一代推薦系統研究展望
9.1大數據的挑戰
9.1.1大數據計算
9.1.2大數據計算對推薦系統基礎架構的變革
9.2推薦系統研究議題展望
9.2.1隱私保護
9.2.2基於位置的推薦
9.2.3群組推薦
9.2.4基於演化計算的推薦模型
參考文獻
索引

相關詞條

熱門詞條

聯絡我們