機器學習算法實踐：推薦系統(tǒng)的協(xié)同過濾理論及其應用

目錄
第一篇基 礎 理 論

第1章理論入門

1．1引言

1．2推薦系統(tǒng)的形式化定義

1．3基于近鄰的協(xié)同過濾推薦算法

1．3．1余弦相似度

1．3．2修正余弦相似度

1．3．3Pearson相似度

1．3．4Jaccard相似度

1．4基于用戶興趣的推薦算法

1．5基于模型的協(xié)同過濾推薦算法

1．5．1矩陣分解模型

1．5．2交替最小二乘

1．5．3概率矩陣分解

1．5．4非負矩陣分解

1．6基于信任的協(xié)同過濾推薦算法

1．7推薦系統(tǒng)現(xiàn)存問題

1．7．1冷啟動

1．7．2數(shù)據(jù)稀疏性

1．7．3可擴展性

1．7．4用戶興趣漂移

1．8評測指標

本章小結

參考文獻
第二篇基于時序的協(xié)同過濾推薦算法

第2章基于巴式系數(shù)改進相似度的協(xié)同過濾推薦算法

2．1引言

2．2相關工作

2．2．1余弦相似度

2．2．2調整余弦相似度

2．2．3Pearson相關系數(shù)

2．2．4Jaccard相似度

2．3一種巴氏系數(shù)改進相似度的協(xié)同過濾推薦算法

2．3．1巴氏系數(shù)

2．3．2巴氏系數(shù)相似度

2．3．3BCCF算法描述

2．4實驗與分析

2．4．1數(shù)據(jù)集

2．4．2評價標準

2．4．3實驗結果與分析

本章小結

參考文獻

第3章基于用戶興趣和項目屬性的協(xié)同過濾推薦算法

3．1引言

3．2相關工作

3．3基于用戶興趣和項目屬性的協(xié)同過濾推薦算法

3．3．1基于時間的用戶興趣度權重

3．3．2改進相似度計算

3．3．3加權預測評分

3．3．4算法步驟

3．4實驗結果與分析

3．4．1數(shù)據(jù)集

3．4．2評價標準

3．4．3結果分析

本章小結

參考文獻
第三篇基于矩陣分解的協(xié)同過濾推薦算法

第4章SVD和信任因子相結合的協(xié)同過濾推薦算法

4．1引言

4．2標注和相關工作

4．2．1標注

4．2．2奇異值分解

4．2．3計算相似度

4．3SVD和信任因子相結合的協(xié)同過濾推薦算法

4．3．1項目特征空間

4．3．2兩階段k近鄰選擇

4．3．3信任因子

4．3．4預測評分

4．3．5算法

4．4實驗結果與分析

4．4．1數(shù)據(jù)集和實驗環(huán)境

4．4．2評價標準

4．4．3實驗結果分析

本章小結

參考文獻

第5章相似度填充的概率矩陣分解的協(xié)同過濾推薦算法

5．1引言

5．2相關工作

5．2．1協(xié)同過濾推薦算法

5．2．2概率矩陣分解技術

5．3CFPFCF算法

5．3．1算法設計思想

5．3．2CFPFCF算法的描述

5．4實驗分析

5．4．1數(shù)據(jù)集與誤差標準

5．4．2實驗結果與性能比較

本章小結

參考文獻

第6章基于偏置信息的改進概率矩陣分解算法研究

6．1引言

6．2相關工作

6．2．1矩陣分解模型

6．2．2Baseline預測

6．3算法流程

6．4實驗分析

6．4．1實驗所用數(shù)據(jù)集

6．4．2實驗環(huán)境配置

6．4．3實驗評價標準

6．4．4實驗結果及分析

本章小結

參考文獻

第7章基于項目屬性改進概率矩陣分解算法

7．1引言

7．2IARBP算法

7．2．1相似度度量

7．2．2算法描述

7．2．3算法復雜度分析

7．3實驗結果對比分析

7．3．1實驗數(shù)據(jù)集

7．3．2實驗評價標準

7．3．3對比實驗配置及說明

7．3．4實驗參數(shù)分析

7．3．5實驗對比

本章小結

參考文獻

第8章基于交替最小二乘的改進概率矩陣分解算法

8．1引言

8．2交替最小二乘

8．3Baseline預測

8．4IPMF算法

8．4．1算法改進思想

8．4．2算法流程

8．4．3復雜度分析

8．5實驗結果分析

8．5．1對比實驗設定

8．5．2實驗分析

本章小結

參考文獻

第9章基于社交網(wǎng)絡的改進概率矩陣分解算法研究

9．1引言

9．2相關工作

9．2．1推薦系統(tǒng)的形式化

9．2．2矩陣分解與推薦系統(tǒng)

9．3概率矩陣分解

9．4主要研究內容

9．4．1基于社交網(wǎng)絡的改進概率矩陣分解

9．4．2算法流程

9．4．3算法復雜度分析

9．5實驗分析

9．5．1實驗數(shù)據(jù)集

9．5．2實驗評價標準

9．5．3對比算法

9．5．4潛在因子維度的影響

9．5．5偏置的影響

9．5．6信任因子的影響

9．5．7對比實驗分析

本章小結

參考文獻

第10章帶偏置的非負矩陣分解推薦算法

10．1引言

10．2相關工作

10．2．1矩陣分解

10．2．2奇異值矩陣

10．2．3Baseline預測

10．2．4NMF算法

10．3RBNMF算法

10．3．1理論分析

10．3．2RBNMF算法流程

10．4實驗分析

10．4．1數(shù)據(jù)集

10．4．2評價標準

10．4．3實驗結果及分析

本章小結

參考文獻

第11章基于項目熱度的協(xié)同過濾推薦算法

11.1引言

11.2非負矩陣分解

11.3兩階段近鄰選擇

11.3.1兩階段k近鄰選擇

11.3.2項目“熱度”和局部信任

11.3.3預測評分

11.4算法描述

11.5實驗結果分析

11.5.1不同策略下相似度的分布

11.5.2兩種因素的分布與分析

11.5.3實驗結果及分析

本章小結

參考文獻

第四篇基于信任的協(xié)同過濾推薦算法

第12章帶偏置的專家信任推薦算法

12.1引言

12.2相關工作

12.2.1專家算法

12.2.2生成推薦值

12.2.3Baseline預測

12.3改進專家算法

12.3.1改進專家信任

12.3.2評分形成

12.3.3算法描述

12.4實驗結果與分析

12.4.1數(shù)據(jù)集

12.4.2評估標準

12.4.3實驗結果及分析

本章小結

參考文獻

第13章一種改進專家信任的協(xié)同過濾推薦算法

13.1引言

13.2標注與相關工作

13.2.1標注

13.2.2近鄰模型

13.2.3專家算法

13.3改進專家算法

13.3.1重要概念

13.3.2評分形成

13.3.3算法描述

13.4實驗結果與分析

13.4.1數(shù)據(jù)集

13.4.2評估標準

13.4.3實驗結果與分析

本章小結

參考文獻

第五篇原型系統(tǒng)開發(fā)

第14章電影推薦原型系統(tǒng)

14.1引言

14.2主要功能

14.3關鍵技術

14.3.1概率矩陣分解模型

14.3.2社交網(wǎng)絡正則化

14.4集群搭建

14.4.1集群軟硬件環(huán)境

14.4.2Spark集群

14.4.3HBase集群

14.5系統(tǒng)特點

14.6用戶使用說明

14.6.1系統(tǒng)簡介界面

14.6.2建模一和建模二界面

14.6.3集群界面

14.6.4看過的電影界面

14.6.5推薦電影界面

14.6.6統(tǒng)計分析界面

參考文獻