電子商務推薦系統(tǒng)導論

定　價：￥69.00

作　者：	伍之昂，曹杰著
出版社：	科學出版社
叢編項：
標　簽：	電子商務管理

購買這本書可以去

ISBN：	9787030422651	出版時間：	2014-11-01	包裝：	平裝
開本：	32開	頁數(shù)：	200	字數(shù)：

內容簡介

　　伍之昂、曹杰著的《電子商務推薦系統(tǒng)導論》以電子商務為應用背景，深入淺出、全面地介紹推薦系統(tǒng)基本原理和主流技術，對每種模型和算法的闡述力求易于理解，并保持數(shù)學嚴謹性。本書涵蓋的內容有：傳統(tǒng)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(tǒng)評價指標與方法、推薦系統(tǒng)的可信性和安全性、電子商務推薦系統(tǒng)與企業(yè)績效、電子商務推薦系統(tǒng)架構設計以及在大數(shù)據(jù)時代下推薦系統(tǒng)的展望。在章節(jié)論述過程中，作者主要從學術研究角度出發(fā)，圍繞推薦系統(tǒng)面臨的挑戰(zhàn)性問題，闡釋現(xiàn)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(tǒng)設計開發(fā)涉及的工程性技術及成功的實際應用系統(tǒng)作了簡明扼要的闡述。本書既可作為有興趣從事推薦系統(tǒng)領域研究工作的高校教師和研究生的理論基礎用書，幫助他們了解本領域研究現(xiàn)狀，把握關鍵問題，熟悉基本方法；亦可作為企業(yè)工程師設計和開發(fā)推薦系統(tǒng)時的參考書。

作者簡介

暫缺《電子商務推薦系統(tǒng)導論》作者簡介

圖書目錄

前言
第1章引論
1.1 推薦系統(tǒng)概述
1.1.1 推薦系統(tǒng)：動機與現(xiàn)狀
1.1.2 電子商務：推薦系統(tǒng)最重要的應用領域
1.1.3 推薦系統(tǒng)：形式化建模
1.2 推薦系統(tǒng)研究概覽
1.2.1 挑戰(zhàn)性問題
1.2.2 本書組織結構
參考文獻
第2章傳統(tǒng)推薦模型與算法
2.1 協(xié)同過濾模型
2.1.1 基于用戶的協(xié)同過濾
2.1.2 基于項目的協(xié)同過濾
2.1.3 相似度計算方法
2.1.4 混合型協(xié)同過濾
2.1.5 一個例子
2.2 基于內容的推薦模型
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 概率潛在語義分析模型
2.3.3 潛在狄利克雷分配模型
2.4 基于關聯(lián)規(guī)則挖掘的推薦
2.4.1 頻繁模式與關聯(lián)規(guī)則挖掘
2.4.2 基于關聯(lián)規(guī)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(tǒng)情境信息
3.1.1 什么是情境信息
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 情境后過濾
3.2.3 情境化建模
3.2.4 三類范式的混合使用
3.3 基于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 基于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(xié)同過濾模型
4.2.1 基于信任關系的社會化協(xié)同過濾
4.2.2 基于矩陣分解的社會化協(xié)同過濾
4.3 社會化標簽系統(tǒng)中的推薦
4.3.1 社會化標簽系統(tǒng)概述
4.3.2 基于社會化標簽的多模式推薦
4.4 鏈路預測
4.4.1 基于拓撲結構信息的鏈路預測
4.4.2 基于節(jié)點信息的鏈路預測
4.5 作者協(xié)作關系網(wǎng)絡中的推薦
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(zhàn)性問題
參考文獻
第5章推薦系統(tǒng)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(shù)據(jù)集
5.3.1 一般性評分數(shù)據(jù)集
5.3.2 融合社會網(wǎng)絡的數(shù)據(jù)集
5.4 評價方法
5.4.1 在線評價
5.4.2 離線評價
5.5 總結
參考文獻
第6章推薦系統(tǒng)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 托攻擊檢測特征指標與特征選擇
6.3.1 托攻擊檢測特征指標
6.3.2 托攻擊檢測指標特征選擇
6.4 托攻擊檢測算法
6.4.1 監(jiān)督學習模型
6.4.2 無監(jiān)督學習模型
6.4.3 半監(jiān)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 松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(tǒng)與企業(yè)績效
7.1 電子商務企業(yè)績效對推薦系統(tǒng)的影響
7.1.1 電子商務企業(yè)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(tǒng)設計的思考
7.2 多樣化推薦系統(tǒng)設計
7.2.1 多樣性的定義
7.2.2 重排序技術
7.2.3 基于主題多樣性的推薦
7.3 推薦系統(tǒng)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(tǒng)架構設計
8.1 商用推薦系統(tǒng)概述
8.1.1 通用框架
8.1.2 數(shù)據(jù)類型
8.1.3 用戶畫像
8.2 推薦系統(tǒng)案例分析
8.2.1 Amazon推薦系統(tǒng)
8.2.2 Netflix推薦系統(tǒng)
8.2.3 Hulu推薦系統(tǒng)
8.3 基于Web日志的推薦
8.3.1 Web使用挖掘技術
8.3.2 Google新聞推薦系統(tǒng)
參考文獻
第9章下一代推薦系統(tǒng)研究展望
9.1 大數(shù)據(jù)的挑戰(zhàn)
9.1.1 大數(shù)據(jù)計算
9.1.2 大數(shù)據(jù)計算對推薦系統(tǒng)基礎架構的變革
9.2 推薦系統(tǒng)研究議題展望
9.2.1 隱私保護
9.2.2 基于位置的推薦
9.2.3 群組推薦
9.2.4 基于演化計算的推薦模型
參考文獻
索引