智能推荐技术

图书标准信息

• 作者 潘微科 林晶 明仲
• 出版社 清华大学出版社
• 出版时间 2022-04
• 版次 1
• ISBN 9787302600107
• 定价 69.80元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 275页
• 字数 433千字

【内容简介】

本书围绕电商、资讯等众多实际应用背后的内核，即智能推荐技术，系统介绍经典和前沿技术，包括基于邻域、矩阵分解、深度学习、迁移学习、联邦学习等的建模方法和推荐算法。 本书围绕用户行为数据的建模问题组织内容，全书共分6部分： 第1部分（第1章）为背景和基础； 第2部分（第2～4章）为单行为推荐，是指仅对一种显式反馈（如评分）或一种隐式反馈（如浏览）数据进行建模； 第3部分（第5～6章）为多行为推荐，是指同时考虑浏览和购买等包含多种行为的数据； 第4部分（第7～8章）为序列推荐，是指同时关注用户行为和这些行为的先后顺序； 第5部分（第9～10章）为联邦推荐，更加关注用户行为中的隐私和数据安全问题； 第6部分（第11章）为总结与展望。全书综合梳理了多个智能推荐问题和相关技术，分析了方法的优缺点和内在联系，并在每章结束时提供了详细的参考文献和有针对性的习题。 本书可以作为计算机科学与技术、软件工程等相关专业的研究生和高年级本科生的教材，也可以作为推荐系统工程师的参考手册。

【作者简介】

    潘微科，博士，深圳大学计算机与软件学院副教授，硕士生导师，深圳市教师。主要研究方向为迁移学、联邦学、系统和机器学，曾获acm tii 2016很好奖和dm 2013很好提名奖。主持自然科学面上项目等多个科研项目，担任知名国际期刊的编委、客座编委和杰出审稿人。

【目录】

第1章概述

1.1推荐技术简介

1.2推荐问题分类

1.3数学基础知识

1.3.1线性代数

1.3.2概率论

1.3.3神经网络中的激活函数

1.4常用数据集和验证方法

1.4.1常用数据集

1.4.2验证方法

1.5常用评价指标

1.5.1面向评分预测的评价指标

1.5.2面向物品排序的评价指标

1.6深度学习平台简介

1.7本章小结

1.8参考文献

1.9习题

第2章基于显式反馈的评分预测

2.1协同过滤(CF)问题

2.2基于均值填充的方法

2.2.1预测公式

2.2.2讨论

2.3基于邻域的方法

2.3.1基于用户的协同过滤

2.3.2基于物品的协同过滤

2.3.3混合协同过滤

2.3.4讨论

2.4基于矩阵分解的方法

2.4.1概率矩阵分解

2.4.2改进的奇异值分解

2.4.3结合多类偏好上下文的矩阵分解

2.4.4因子分解机

2.5基于深度学习的方法

2.5.1受限玻尔兹曼机

2.5.2自编码器

2.6本章小结

2.7参考文献

2.8习题

 

 

第3章基于显式反馈的物品排序

3.1协同排序(CR)问题

3.2粗精迁移排序

3.2.1模型介绍

3.2.2算法流程

3.2.3代码实现

3.2.4实验设置

3.2.5讨论

3.3上下文感知协同排序

3.3.1模型介绍

3.3.2算法流程

3.3.3代码实现

3.3.4实验设置

3.3.5讨论

3.4整全迁移排序

3.4.1模型介绍

3.4.2基于模型的整全迁移排序

3.4.3基于邻域的整全迁移排序

3.4.4代码实现

3.4.5实验设置

3.4.6讨论

3.5本章小结

3.6参考文献

3.7习题

第4章基于隐式反馈的物品排序

4.1单类协同过滤(OCCF)问题

4.2基于热度的方法

4.3基于邻域的方法

4.3.1相似度度量

4.3.2预测公式

4.4基于矩阵分解的方法

4.4.1贝叶斯个性化排序

4.4.2分解的物品相似度

4.4.3基于对数几率损失的矩阵分解

4.4.4基于元素的交替小二乘

4.5基于深度学习的方法

4.5.1神经协同过滤

4.5.2协同降噪自编码器

4.5.3变分自编码器

4.6本章小结

4.7参考文献

4.8习题

第5章基于异构反馈的评分预测

5．1异构协同过滤(HCF)问题

5．2迁移共同分解

5．2．1技术细节

5．2．2算法流程

5．2．3代码实现

5．2．4实验设置

5．2．5讨论

5．3偏好感知迁移

5．3．1技术细节

5．3．2算法流程

5．3．3代码实现

5．3．4实验设置

5．3．5讨论

5．4本章小结

5．5参考文献

5．6习题

第6章基于异构反馈的物品排序

6．1异构单类协同过滤(HOCCF)问题

6．2基于全量的异构反馈建模

6．2．1技术细节

6．2．2算法流程

6．2．3代码实现

6．2．4实验设置

6．2．5讨论

6．3基于角色的异构反馈建模

6．3．1技术细节

6．3．2算法流程

6．3．3代码实现

6．3．4实验设置

6．3．5讨论

6．4基于关系的异构反馈建模

6．4．1技术细节

6．4．2代码实现

6．4．3实验设置

6．4．4讨论

6．5其他异构反馈建模方法

6．5．1基于矩阵分解的方法

6．5．2基于迁移学习的方法

6．5．3基于深度学习的方法

6．6本章小结

6．7参考文献

6．8习题

第7章单行为序列推荐

7．1序列单类协同过滤(SOCCF)问题

7．2基于分解马尔可夫链的FPMC算法

7．2．1预测公式和优化目标

7．2．2梯度、更新公式和算法流程

7．2．3实验设置

7．2．4讨论

7．3基于分解高阶马尔可夫链的Fossil算法

7．3．1预测公式和优化目标

7．3．2梯度、更新公式和算法流程

7．3．3实验设置

7．3．4讨论

7．4基于双向物品相似度的BIS算法

7．4．1BIS算法的原理

7．4．2BIS算法的实现

7．4．3讨论

7．5基于循环神经网络的GRU4Rec算法

7．5．1GRU4Rec算法的原理

7．5．2GRU4Rec算法的实现

7．5．3讨论

7．6基于卷积神经网络的Caser算法

7．6．1Caser算法的原理

7．6．2Caser算法的实现

7．6．3讨论

7．7基于自注意力网络的SASRec算法

7．7．1SASRec算法的原理

7．7．2SASRec算法的实现

7．7．3讨论

7．8基于平移空间的TransRec算法

7．8．1预测公式与优化目标

7．8．2梯度、更新公式与算法流程

7．8．3实验设置

7．8．4讨论

7．9本章小结

7．10参考文献

7．11习题

第8章多行为序列推荐

8．1序列异构单类协同过滤(SHOCCF)问题

8．2基于循环神经网络的方法

8．2．1RLBL算法

8．2．2RIB算法

8．2．3BINN算法

8．2．4讨论

8．3基于图神经网络的方法

8．3．1MSR算法

8．3．2MGNNSPred算法

8．3．3讨论

8．4本章小结

8．5参考文献

8．6习题

第9章跨用户联邦推荐

9．1跨用户联邦推荐(CUFR)问题

9．2隐私敏感的评分预测

9．2．1FedRec算法

9．2．2FedRec  算法

9．2．3SFSL算法

9．3隐私敏感的物品排序

9．3．1FCF算法

9．3．2PIOCCF算法

9．4本章小结

9．5参考文献

9．6习题

第10章跨组织联邦推荐

10．1跨组织联邦推荐(COFR)问题

10．2共同矩阵分解

10．2．1技术细节

10．2．2讨论

10．3联邦矩阵分解

10．3．1技术细节

10．3．2讨论

10．4联邦共同矩阵分解

10．4．1技术细节

10．4．2算法流程

10．4．3讨论

10．5本章小结

10．6参考文献

10．7习题

第11章总结与展望

11．1总结

11．2展望

11．3参考文献

11．4习题

附录A学术期刊论文数量统计

附录B学术会议论文数量统计

附录C推荐系统国际会议研究话题

附录D推荐系统国际会议研讨会主题

附录E中英文术语对照表

后记

致谢