目录Recommender Systems: The Textbook出版者的话译者序前言致谢作者简介第1章推荐系统概述1.1引言1.2推荐系统的目标1.2.1推荐系统应用范围1.3推荐系统的基本模型1.3.1协同过滤模型1.3.2基于内容的推荐系统1.3.3基于知识的推荐系统1.3.4人口统计推荐系统1.3.5混合集成的推荐系统1.3.6对推荐系统的评价1.4推荐系统领域特有的挑战1.4.1基于上下文的推荐系统1.4.2时间敏感的推荐系统1.4.3基于位置的推荐系统1.4.4社交信息系统1.5高级论题和应用1.5.1推荐系统中的冷启动问题1.5.2抗攻击推荐系统1.5.3组推荐系统1.5.4多标准推荐系统1.5.5推荐系统中的主动学习1.5.6推荐系统中的隐私问题1.5.7应用领域1.6小结1.7相关工作1.8习题第2章基于近邻的协同过滤2.1引言2.2评分矩阵的关键性质2.3通过基于近邻的方法预测评分2.3.1基于用户的近邻模型2.3.2基于物品的近邻模型2.3.3高效的实现和计算复杂度2.3.4基于用户的方法和基于物品的方法的比较2.3.5基于近邻方法的优劣势2.3.6基于用户的方法和基于物品的方法的联合2.4聚类和基于近邻的方法2.5降维与近邻方法2.5.1处理偏差2.6近邻方法的回归模型视角2.6.1基于用户的最近邻回归2.6.2基于物品的最近邻回归2.6.3基于用户的方法和基于物品的方法的结合2.6.4具有相似度权重的联合插值2.6.5稀疏线性模型2.7基于近邻方法的图模型2.7.1用户物品图2.7.2用户用户图2.7.3物品物品图2.8小结2.9相关工作2.10习题第3章基于模型的协同过滤3.1引言3.2决策和回归树3.2.1将决策树扩展到协同过滤3.3基于规则的协同过滤3.3.1将关联规则用于协同过滤3.3.2面向物品的模型与面向用户的模型3.4朴素贝叶斯协同过滤3.4.1处理过拟合3.4.2示例：使用贝叶斯方法处理二元评分3.5将任意分类模型当作黑盒来处理3.5.1示例：使用神经网络作为黑盒分类器3.6潜在因子模型3.6.1潜在因子模型的几何解释3.6.2潜在因子模型的低秩解释3.6.3基本矩阵分解原理3.6.4无约束矩阵分解3.6.5奇异值分解3.6.6非负矩阵分解3.6.7理解矩阵因子分解方法族3.7集成因子分解和近邻模型3.7.1基准估计：非个性化偏倚中心模型3.7.2模型的近邻部分3.7.3模型的潜在因子部分3.7.4集成近邻和潜在因子部分3.7.5求解优化模型3.7.6关于精度的一些观察3.7.7将潜在因子模型集成到任意模型3.8小结3.9相关工作3.10习题第4章基于内容的推荐系统4.1引言4.2基于内容的系统的基本组件4.3预处理和特征提取4.3.1特征提取4.3.2特征表示和清洗4.3.3收集用户的偏好4.3.4监督特征选择和加权4.4学习用户画像和过滤4.4.1最近邻分类4.4.2与基于案例的推荐系统的关联性4.4.3贝叶斯分类器4.4.4基于规则的分类器4.4.5基于回归的模型4.4.6其他学习模型和比较概述4.4.7基于内容的系统的解释4.5基于内容的推荐与协同推荐4.6将基于内容的模型用于协同过滤4.6.1利用用户画像4.7小结4.8相关工作4.9习题第5章基于知识的推荐系统5.1引言5.2基于约束的推荐系统5.2.1返回相关结果5.2.2交互方法5.2.3排序匹配的物品5.2.4处理不可接受的结果或空集5.2.5添加约束5.3基于案例的推荐系统5.3.1相似性度量5.3.2批评方法5.3.3批评的解释5.4基于知识的系统的持久个性化5.5小结5.6相关工作5.7习题第6章基于集成的混合推荐系统6.1引言6.2从分类角度看集成方法6.3加权型混合系统6.3.1几种模型组合的方法6.3.2对分类中的bagging算法的调整6.3.3随机性注入算法6.4切换型混合系统6.4.1为解决冷启动问题的切换机制6.4.2桶模型6.5级联型混合系统6.5.1推荐结果的逐步优化6.5.2boosting算法6.6特征放大型混合系统6.7元级型混合系统6.8特征组合型混合系统6.8.1回归分析和矩阵分解6.8.2元级特征6.9交叉型混合系统6.10小结6.11相关工作6.12习题第7章推荐系统评估7.1引言7.2评估范例7.2.1用户调查7.2.2在线评估7.2.3使用历史数据集进行离线评估7.3评估设计的总体目标7.3.1精确性7.3.2覆盖率7.3.3置信度和信任度7.3.4新颖度7.3.5惊喜度7.3.6多样性7.3.7健壮性和稳定性7.3.8可扩展性7.4离线推荐评估的设计要点7.4.1Netflix Prize数据集的案例研究7.4.2为训练和测试分解评分7.4.3与分类设计的比较7.5离线评估的精确性指标7.5.1度量预测评分的精确性7.5.2通过相关性评估排名7.5.3通过效用评估排名7.5.4通过ROC曲线评估排名7.5.5哪种排名方式最好7.6评估指标的局限性7.6.1避免评估游戏7.7小结7.8相关工作7.9习题第8章上下文敏感的推荐系统8.1引言8.2多维方法8.2.1层级的重要性8.3上下文预过滤：一种基于降维的方法8.3.1基于集成的改进8.3.2多级别的估计8.4后过滤方法8.5上下文建模8.5.1基于近邻的方法8.5.2潜在因子模型8.5.3基于内容的模型8.6小结8.7相关工作8.8习题第9章时间与位