Meta tags:
keywords=推荐,系统,技术,评估,及,高效,算法,pdf,下载;
description=推荐系统是为用户推荐所需物品的软件工具和技术，对于在线处理信息过载是一个非常有价值的方法，并成为电子商务领域最强大和流行的工具之一。本书融合不同领域专家学者的理论成果和实践经验，从推荐系统相关技术、推荐系统的应用与评估、推荐系统的交互、推荐系统和社区及高级算法5个方面介...;
author=爱码网;

Headings (most frequently used words):

推荐系统, 技术, 评估及高效算法, pdf, 下载, 资料图片, 资料简介, 资料目录, 相关推荐, 网友评论,

Text of the page (most frequently used words):
pdf (32), 参考文献 (25), 2024 (10), 第2版 (6), 总结与展望 (5), 345 (5), 251 (4), 307 (4), 308 (4), 330 (4), 472 (4), spring (3), 131 (3), 推荐系统 (3), #评估及高效算法 (3), 199 (3), 225 (3), 240 (3), 247 (3), 相关工作 (3), 252 (3), 257 (3), 282 (3), 298 (3), 306 (3), 309 (3), 322 (3), 329 (3), 371 (3), 392 (3), 413 (3), 450 (3), 470 (3), 504 (3), 505 (3), 548 (3), 数据结构与算法 (3), 爱码网 (2), com (2), 第3版 (2), javascript (2), python (2), java (2), 540 (2), 源码下载 (2), 数据结构与算法分析 (2), 524 (2), 可视化 (2), means (2), 惊喜度 (2), 预备知识 (2), 103 (2), 104 (2), svd (2), 112 (2), 113 (2), 117 (2), 127 (2), 147 (2), 151 (2), 152 (2), 组合预过滤器案例研究 (2), 168 (2), 171 (2), 推荐系统的应用与评估 (2), 176 (2), 182 (2), 185 (2), 信任度 (2), 195 (2), 197 (2), 198 (2), 206 (2), 223 (2), 226 (2), 236 (2), 244 (2), 知识源 (2), 250 (2), 253 (2), 261 (2), 262 (2), 264 (2), 274 (2), 283 (2), 305 (2), 310 (2), 311 (2), 312 (2), 314 (2), 321 (2), 324 (2), 328 (2), 334 (2), 335 (2), 340 (2), 341 (2), 基于效用的推荐系统 (2), 344 (2), 346 (2), 350 (2), 352 (2), 354 (2), 355 (2), 359 (2), 363 (2), 364 (2), 多维缩放 (2), 非线性主成分分析 (2), 367 (2), 370 (2), 图像购物界面 (2), 373 (2), 380 (2), 384 (2), 387 (2), 396 (2), 402 (2), 403 (2), 社会化标签推荐系统 (2), 409 (2), 410 (2), 416 (2), 430 (2), 431 (2), 436 (2), 446 (2), 449 (2), 451 (2), 452 (2), 460 (2), 462 (2), 463 (2), 464 (2), 468 (2), 479 (2), 482 (2), 485 (2), 486 (2), 488 (2), 490 (2), 495 (2), 498 (2), 基于模型的方法 (2), 501 (2), 506 (2), 510 (2), 512 (2), 513 (2), 517 (2), 519 (2), 528 (2), 533 (2), 536 (2), 537 (2), 539 (2), 评估矩阵 (2), 543 (2), 544 (2), 549 (2), 550 (2), 551 (2), 验证码 (2), 书籍文档 (2), copyright, 2023, 2025, 版权所有, 免责声明, 网站所有作品均收集于网络, 仅供读者学习交流使用, 如有侵权, 请发送邮件到876027276, 告知管理员, 我们将及时处理, 皖公网安备34152402000268, 皖icp备2023004554号, 侧栏广告位, redis, css, 设计模式, sql, mysql, 中文版, 权威指南, web, 577, 热门标签, jquery权威指南, javascript权威指南, 第6版, javascript面向对象编程指南, dom编程艺术, elasticsearch服务器开发, mybatis从入门到精通, cloud与docker微服务架构实战, 0就这么简单, spring揭秘, redis入门指南, 随机文章, java8中stream流用法, 企业应用架构模式, kafka权威指南, 趣学python编程中文版, java从入门到精通, jquery实现图片局部放大, bootstrap, calendar日历表控件, springboot, vue学生信息管理系统, javaweb毕业设计, neo4j权威指南, 数据库系统概论第5版, 热门文章, 提交评论, 取消回复, 网友评论, java语言描述, 编程珠玑, 修订版, 现代计算机常用数据结构和算法, 程序员的算法趣题, 挑战程序设计竞赛, 算法基础与在线实践, 算法笔记, 神经网络算法与实现基于java语言, c语言描述, 原书第2版, 相关推荐, 大话oracle, rac集群高可用性备份与恢复, python高手之路, 本文链接, https, icode1024, algorithm, html, 推荐序一, 推荐序二, 译者序, 第1章, 推荐系统的功能, 数据和知识资源, 推荐技术, 应用与评价, 推荐系统与人机交互, 解释和说服力, 会话系统, 推荐系统是个交叉学科领域, 出现的问题和挑战, 本书对出现的问题的讨论, 第一部分, 基础技术, 第2章, 推荐系统中的数据挖掘方法, 数据预处理, 相似度度量方法, 最近邻, 决策树, 基于规则的分类, 贝叶斯分类器, 人工神经网络, 支持向量机, 分类器的集成, 评估分类器, 聚类分析, 改进的k, 关联规则挖掘, 第3章, 基于内容的推荐系统, 前沿和趋势, 基于内容的推荐系统的基础, 基于内容的推荐系统的高层次结构, 基于内容过滤的优缺点, 基于内容的推荐系统的现状, 物品表示, 学习用户特征的方法, 趋势和未来研究, 推荐过程中用户产生内容的作用, 超越特化, 第4章, 基于近邻推荐方法综述, 问题公式化定义, 推荐方法概要, 基于近邻方法的优势, 目标和概要, 基于近邻推荐, 基于用户评分, 基于用户分类, 回归与分类, 基于物品推荐, 基于用户和基于物品推荐的对比, 近邻方法的要素, 评分标准化, 相似度权重计算, 近邻的选择, 高级进阶技术, 降维方法, 基于图方法, 第5章, 协同过滤算法的高级课题100, 100, 101, 基准预测, 102, netflix数据, 隐式反馈, 因子分解模型, 105, 时间敏感的因子模型, 106, 111, 基于邻域的模型, 相似度度量, 基于相似度的插值, 联合派生插值权重, 115, 增强的基于邻域的模型, 全局化的邻域模型, 118, 因式分解的邻域模型, 122, 基于邻域的模型的动态时序, 126, 基于邻域的模型和因子分解模型的比较, 129, 第6章, 开发基于约束的推荐系统, 推荐知识库的开发, 133, 推荐过程中的用户导向, 137, 计算推荐结果, 142, 项目和案例研究的经验, 143, 未来的研究方法, 144, 第7章, 情境感知推荐系统, 推荐系统中的情境, 什么是情境, 在推荐系统实现情境信息的建模, 155, 获取情境信息, 158, 结合情境的推荐系统形式, 159, 情境预过滤, 161, 情境后过滤, 163, 情境建模, 164, 多种方法结合, 167, 实验结果, 情境感知推荐系统的其他问题, 170, 172, 第二部分, 第8章, 推荐系统评估, 实验设置, 177, 离线实验, 178, 用户调查, 180, 在线评估, 得出可靠结论, 推荐系统属性, 用户偏好, 预测准确度, 186, 覆盖率, 191, 置信度, 192, 193, 新颖度, 194, 多样性, 196, 健壮性, 适应性, 可扩展性, 第9章, iptv服务提供商推荐系统, 一个大规模真实产品环境的应用203, 203, iptv架构, 204, 推荐系统架构, 数据搜集, 批处理和实时阶段, 207, 推荐算法, 208, 推荐算法概述, 209, 基于内容隐语义分析算法, 210, 基于物品的协同过滤算法, 213, 基于降维的协同过滤算法, 214, 推荐服务, 215, 系统评价, 216, 离线分析, 218, 在线分析, 220, 第10章, 走出实验室的推荐系统, 设计现实环境中的推荐系统, 理解推荐系统的环境, 应用模型, 用户建模, 230, 数据模型, 233, 一个使用环境模型的方法, 235, 在迭代设计过程中理解推荐验证步骤, 算法的验证, 推荐结果的验证, 237, 应用实例, 一个语义新闻推荐系统, mesh工程, mesh的环境模型, 模型的迭代实例化, 243, 第11章, 匹配推荐系统的技术与领域, 248, 异构性, 风险性, 变动性, 交互风格, 偏好稳定性, 可理解性, 社群知识, 个人知识, 基于内容的知识, 从领域到技术, 254, 255, 抽样推荐领域, 256, 第12章, 用于技术强化学习的推荐系统, tel作为上下文, tel推荐的目标, 263, 自适应教育超媒体, 学习网络, 265, 相同点与不同点, 267, tel推荐系统调查, 268, tel推荐系统的评估, 271, 对组件的评估, 272, 评估tel推荐系统时需要考虑的问题, 273, 275, 第三部分, 推荐系统的影响, 第13章, 基于评价推荐系统的进展, 评价系统, 已得益处, 评价系统的表述与检索挑战, 评价表述的方式, 基于评价的推荐系统中的检索挑战, 289, 评价平台中的交互研究, 293, 扩展到其他评价平台, 294, 用户直接操作与限制用户控制的比较, 295, 支持性解释, 置信和信任, 296, 自适应性和分区动态性, 297, 关于多文化的适用性的差异, 评价的评估, 方法和标准, 资源和方法, 评估标准, 299, 300, 301, 第14章, 构建更值得信任和具有说服力的推荐系统, 特性对评估推荐系统的影响, 推荐系统作为社交角色, 来源可信度, 可信度, 专业能力, 对来源可信度的影响, 人际交互中信息特性的研究, 相似度, 喜好度, 权威的象征, 演讲的风格, 外在吸引力, 人机交互中的特性, 用户与推荐系统交互的特性, 推荐系统类型, 输入特性, 过程特性, 输出特性, 内嵌的智能体特性, 313, 未来研究方向, 第15章, 设计和评估推荐系统的解释, 专家系统的说明, 定义的目标, 系统如何工作, 透明性, 允许用户告诉系统它是错误的, 被理解, 增加用户对系统上的信任, 325, 说服用户尝试或购买, 说服力, 326, 帮助用户充分地决策, 有效性, 327, 帮助用户快速制定决策, 使系统的应用愉悦, 满意度, 评估解释在推荐系统的作用, 精准度, 学习效率, 覆盖度, 接受度, 用推荐设计展示与互动, 展示推荐, 与推荐系统交互, 331, 解释风格, 332, 基于协同风格, 333, 基于内容风格, 基于案例风格, 基于知识, 自然语言风格, 基于人口统计风格, 336, 337, 第16章, 基于实例评价研究的产品推荐系统的可用性准则, 交互模型, 342, 准确率, 信任度和代价的框架, 本章结构, 推荐系统分类, 基于评分的推荐系统, 基于案例的推荐系统, 基于评价的推荐系统, 其他设计指导准则, 初始偏好提取, 347, 通过实例激励用户表示偏好, 349, 需要多少实例, 需要哪些实例, 偏好修正, 偏好冲突和部分满足, 权衡辅助, 353, 展示策略, 一次推荐一项物品, 推荐k项最匹配的物品, 解释界面, 准则验证模型, 357, 第17章, 基于示意图的产品目录可视化, 基于图的可视化方法, 自组织映射, 365, 366, 产品目录图, 368, 369, 通过点击流分析决定属性权重, 泊松回归模型, 处理缺失值, 使用泊松回归选择权值, 阶梯式泊松回归模型, 372, 电子商务应用, 使用属性权值的基于mds的产品目录图, 基于nl, pca的产品目录图, 375, 377, 379, 第四部分, 推荐系统与群体, 第18章, 个性化web搜索中的群体, 协作与推荐系统, 网络搜索历史简介, 385, 网络搜索的未来, 个性化网络搜索, 协同信息检索, 390, 向社交搜索前进, 案例研究1, 基于群体的网络搜索, 搜索群体中的重复性和规律性, 协同网络搜索系统, 393, 395, 案例研究2, 网络搜索共享, heystaks系统, 397, heystaks推荐引擎, 399, 400, 第19章, 大众分类法, 传统推荐系统范式, 411, 多模式推荐, 412, 现实社会化标签推荐系统, 有哪些挑战, 案例bibsonomy, 标签获取, 415, 社会化标签系统的推荐算法, 协同过滤, 基于排序的推荐, 418, 基于内容的社会化标签推荐系统, 421, 评估方案和评估度量, 423, 算法比较, 424, 426, 427, 第20章, 信任和推荐, 信任的表示与计算, 信任表示, 信任计算, 433, 信任增强推荐系统, 437, 实验比较, 441, 进展和开放性挑战, 445, 第21章, 组推荐系统, 应用场景和群组推荐系统分类, 交互式电视, 环绕智能, 基于场景的推荐系统, 基于分类的群组推荐, 合并策略, 合并策略概览, 合并策略在相关工作中的应用, 453, 哪种策略效果最好, 454, 序列顺序的影响, 455, 对情感状态建模, 456, 对个人的满意度进行建模, 457, 个人满意度对群组的影响, 458, 情感状态在合并策略中的使用, 459, 对单个用户进行组推荐, 多准则, 冷启动问题, 461, 虚拟组成员, 总结与挑战, 提出的主要问题, 组建模, 面临的挑战, 465, 第五部分, 高级算法, 第22章, 推荐系统中的偏好聚合468, 推荐系统中的聚合类型, 协同过滤中的偏好聚合, cb与ub推荐中的特性聚合, cb与ub的配置文件构建, 物品和用户相似度以及邻居的形成, 471, 基于实例推理的连接词在推荐系统中的应用, 加权混合系统, 聚合函数概论, 定义和属性, 聚合成员, 475, 聚合函数的构建, 数据收集和处理, 期望属性, 480, 函数表现的复杂度及其理解, 481, 权重和参数的确定, 推荐系统中的复杂聚合过程, 为特定应用定制, 进阶阅读, 第23章, 推荐系统中的主动学习, 推荐系统中主动学习的目标, 489, 主动学习的类型, 数据集的属性, 491, 主动学习在推荐系统中的应用, 492, 主动学习公式, 493, 基于不确定性的主动学习, 输出不确定性, 决策边界不确定性, 496, 模型不确定性, 497, 基于误差的主动学习, 基于实例的方法, 500, 基于组合的主动学习, 基于候选的方法, 502, 基于会话的主动学习, 基于实例的评论, 基于多样性的方法, 基于查询编辑的方法, 计算因素考虑, 第24章, 多准则推荐系统, 推荐作为多准则决策问题, 511, 决策目标, 准则簇, 全局偏好模型, 决策支持流程, 推荐系统的mcdm框架, 经验教训, 515, 多准则评分推荐, 传统的单值评分推荐问题, 引入多准则评分来扩展传统推荐系统, 518, 多准则评分推荐算法综述, 预测中使用多准则评分, 推荐中使用多准则评分, 讨论及未来工作, 526, 527, 第25章, 具有健壮性的协同推荐, 问题定义, 534, 攻击分类, 基础攻击, 非充分信息攻击, 打压攻击模型, 知情攻击模型, 538, 检测系统健壮性, 推举攻击, 打压攻击, 541, 知情攻击, 542, 攻击效果, 攻击检测, 单用户检测, 用户组检测, 545, 检测结果, 健壮的推荐算法, 基于模型的推荐, 健壮的矩阵分解算法, 其他具有健壮性的推荐算法, 影响力限制器和基于信誉的推荐, 本书贡献者名单, 554, 翻译团队名单560, 资料目录, 推荐系统是为用户推荐所需物品的软件工具和技术, 对于在线处理信息过载是一个非常有价值的方法, 并成为电子商务领域最强大和流行的工具之一, 本书融合不同领域专家学者的理论成果和实践经验, 从推荐系统相关技术, 推荐系统的交互, 推荐系统和社区及高级算法5个方面介绍推荐系统的主要概念, 挑战和应用, 详细阐释如何支持用户决策, 计划和购买过程, 帮助你梳理推荐系统的相关知识体系, 并理解推荐系统的原理, 算法及实现, 资料简介, 资料图片, 本资料仅供读者预览及学习交流使用, 不能用于商业用途, 请在下载后24小时内删除, 如果喜欢, 请购买正版, 扫描右侧图片或微信搜索, 获取验证密码, java技术分享屋, 此部分为隐藏内容, 请输入验证码后查看, 2518, 当前位置, 面试简历, 留言板, 毕业设计, 技术文章, 人工智能, android, 数据库, web前端, 软件工具, 视频教程, 源码模板, 爱码网专注于资源免费下载, 下载_数据结构与算法_爱码网, 资源免费下载,

Text of the page (random words):
推荐系统 技术 评估及高效算法 pdf 下载_数据结构与算法_爱码网 资源免费下载 爱码网专注于资源免费下载 登陆 首页 源码模板 视频教程 软件工具 书籍文档 java web前端 数据库 python 数据结构与算法 安全 android 人工智能 其他 技术文章 毕业设计 留言板 面试简历 当前位置 首页 书籍文档 数据结构与算法 正文 推荐系统 技术 评估及高效算法 pdf 下载 爱码网 05 05 2518 数据结构与算法 推荐 系统 技术 评估 及 高效 算法 pdf 下载 此部分为隐藏内容 请输入验证码后查看 验证码 扫描右侧图片或微信搜索 java技术分享屋 回复 验证码 获取验证密码 本资料仅供读者预览及学习交流使用 不能用于商业用途 请在下载后24小时内删除 如果喜欢 请购买正版 一 资料图片 二 资料简介 推荐系统是为用户推荐所需物品的软件工具和技术 对于在线处理信息过载是一个非常有价值的方法 并成为电子商务领域最强大和流行的工具之一 本书融合不同领域专家学者的理论成果和实践经验 从推荐系统相关技术 推荐系统的应用与评估 推荐系统的交互 推荐系统和社区及高级算法5个方面介绍推荐系统的主要概念 理论 方法 趋势 挑战和应用 详细阐释如何支持用户决策 计划和购买过程 帮助你梳理推荐系统的相关知识体系 并理解推荐系统的原理 算法及实现 三 资料目录 推荐序一 推荐序二 译者序 前言 第1章 概述 1 1 1 简介 1 1 2 推荐系统的功能 3 1 3 数据和知识资源 5 1 4 推荐技术 7 1 5 应用与评价 10 1 6 推荐系统与人机交互 12 1 6 1 信任 解释和说服力 13 1 6 2 会话系统 13 1 6 3 可视化 14 1 7 推荐系统是个交叉学科领域 15 1 8 出现的问题和挑战 16 1 8 1 本书对出现的问题的讨论 16 1 8 2 挑战 18 参考文献 20 第一部分 基础技术 第2章 推荐系统中的数据挖掘方法 28 2 1 简介 28 2 2 数据预处理 29 2 2 1 相似度度量方法 29 2 2 2 抽样 30 2 2 3 降维 31 2 2 4 去噪 33 2 3 分类 34 2 3 1 最近邻 34 2 3 2 决策树 35 2 3 3 基于规则的分类 36 2 3 4 贝叶斯分类器 36 2 3 5 人工神经网络 38 2 3 6 支持向量机 39 2 3 7 分类器的集成 40 2 3 8 评估分类器 41 2 4 聚类分析 42 2 4 1 k means 43 2 4 2 改进的k means 44 2 5 关联规则挖掘 44 2 6 总结 46 致谢 47 参考文献 47 第3章 基于内容的推荐系统 前沿和趋势 51 3 1 简介 51 3 2 基于内容的推荐系统的基础 52 3 2 1 基于内容的推荐系统的高层次结构 52 3 2 2 基于内容过滤的优缺点 54 3 3 基于内容的推荐系统的现状 55 3 3 1 物品表示 56 3 3 2 学习用户特征的方法 62 3 4 趋势和未来研究 65 3 4 1 推荐过程中用户产生内容的作用 65 3 4 2 超越特化 惊喜度 66 3 5 总结 68 参考文献 68 第4章 基于近邻推荐方法综述 74 4 1 简介 74 4 1 1 问题公式化定义 75 4 1 2 推荐方法概要 76 4 1 3 基于近邻方法的优势 77 4 1 4 目标和概要 78 4 2 基于近邻推荐 78 4 2 1 基于用户评分 79 4 2 2 基于用户分类 80 4 2 3 回归与分类 80 4 2 4 基于物品推荐 81 4 2 5 基于用户和基于物品推荐的对比 81 4 3 近邻方法的要素 83 4 3 1 评分标准化 83 4 3 2 相似度权重计算 85 4 3 3 近邻的选择 89 4 4 高级进阶技术 90 4 4 1 降维方法 90 4 4 2 基于图方法 92 4 5 总结 95 参考文献 96 第5章 协同过滤算法的高级课题100 5 1 简介 100 5 2 预备知识 101 5 2 1 基准预测 102 5 2 2 netflix数据 103 5 2 3 隐式反馈 103 5 3 因子分解模型 104 5 3 1 svd 104 5 3 2 svd 105 5 3 3 时间敏感的因子模型 106 5 3 4 比较 111 5 3 5 总结 112 5 4 基于邻域的模型 112 5 4 1 相似度度量 113 5 4 2 基于相似度的插值 113 5 4 3 联合派生插值权重 115 5 4 4 总结 117 5 5 增强的基于邻域的模型 117 5 5 1 全局化的邻域模型 118 5 5 2 因式分解的邻域模型 122 5 5 3 基于邻域的模型的动态时序 126 5 5 4 总结 127 5 6 基于邻域的模型和因子分解模型的比较 127 参考文献 129 第6章 开发基于约束的推荐系统 131 6 1 简介 131 6 2 推荐知识库的开发 133 6 3 推荐过程中的用户导向 137 6 4 计算推荐结果 142 6 5 项目和案例研究的经验 143 6 6 未来的研究方法 144 6 7 总结 147 参考文献 147 第7章 情境感知推荐系统 151 7 1 简介 151 7 2 推荐系统中的情境 152 7 2 1 什么是情境 152 7 2 2 在推荐系统实现情境信息的建模 155 7 2 3 获取情境信息 158 7 3 结合情境的推荐系统形式 159 7 3 1 情境预过滤 161 7 3 2 情境后过滤 163 7 3 3 情境建模 164 7 4 多种方法结合 167 7 4 1 组合预过滤器案例研究 算法 168 7 4 2 组合预过滤器案例研究 实验结果 168 7 5 情境感知推荐系统的其他问题 170 7 6 总结 171 致谢 171 参考文献 172 第二部分 推荐系统的应用与评估 第8章 推荐系统评估 176 8 1 简介 176 8 2 实验设置 177 8 2 1 离线实验 178 8 2 2 用户调查 180 8 2 3 在线评估 182 8 2 4 得出可靠结论 182 8 3 推荐系统属性 185 8 3 1 用户偏好 185 8 3 2 预测准确度 186 8 3 3 覆盖率 191 8 3 4 置信度 192 8 3 5 信任度 193 8 3 6 新颖度 194 8 3 7 惊喜度 195 8 3 8 多样性 195 8 3 9 效用 196 8 3 10 风险 197 8 3 11 健壮性 197 8 3 12 隐私 198 8 3 13 适应性 198 8 3 14 可扩展性 199 8 4 总结 199 参考文献 199 第9章 iptv服务提供商推荐系统 一个大规模真实产品环境的应用203 9 1 简介 203 9 2 iptv架构 204 9 3 推荐系统架构 206 9 3 1 数据搜集 206 9 3 2 批处理和实时阶段 207 9 4 推荐算法 208 9 4 1 推荐算法概述 209 9 4 2 基于内容隐语义分析算法 210 9 4 3 基于物品的协同过滤算法 213 9 4 4 基于降维的协同过滤算法 214 9 5 推荐服务 215 9 6 系统评价 216 9 6 1 离线分析 218 9 6 2 在线分析 220 9 7 总结 223 参考文献 223 第10章 走出实验室的推荐系统 225 10 1 简介 225 10 2 设计现实环境中的推荐系统 225 10 3 理解推荐系统的环境 226 10 3 1 应用模型 226 10 3 2 用户建模 230 10 3 3 数据模型 233 10 3 4 一个使用环境模型的方法 235 10 4 在迭代设计过程中理解推荐验证步骤 236 10 4 1 算法的验证 236 10 4 2 推荐结果的验证 237 10 5 应用实例 一个语义新闻推荐系统 240 10 5 1 背景 mesh工程 240 10 5 2 mesh的环境模型 240 10 5 3 实践 模型的迭代实例化 243 10 6 总结 244 参考文献 244 第11章 匹配推荐系统的技术与领域 247 11 1 简介 247 11 2 相关工作 247 11 3 知识源 248 11 4 领域 250 11 4 1 异构性 250 11 4 2 风险性 251 11 4 3 变动性 251 11 4 4 交互风格 251 11 4 5 偏好稳定性 251 11 4 6 可理解性 252 11 5 知识源 252 11 5 1 社群知识 252 11 5 2 个人知识 253 11 5 3 基于内容的知识 253 11 6 从领域到技术 254 11 6 1 算法 255 11 6 2 抽样推荐领域 256 11 7 总结 257 致谢 257 参考文献 257 第12章 用于技术强化学习的推荐系统 261 12 1 简介 261 12 2 背景 262 12 2 1 tel作为上下文 262 12 2 2 tel推荐的目标 263 12 3 相关工作 264 12 3 1 自适应教育超媒体 264 12 3 2 学习网络 265 12 3 3 相同点与不同点 267 12 4 tel推荐系统调查 268 12 5 tel推荐系统的评估 271 12 5 1 对组件的评估 272 12 5 2 评估tel推荐系统时需要考虑的问题 273 12 6 总结与展望 274 致谢 274 参考文献 275 第三部分 推荐系统的影响 第13章 基于评价推荐系统的进展 282 13 1 简介 282 13 2 早期 评价系统 已得益处 282 13 3 评价系统的表述与检索挑战 283 13 3 1 评价表述的方式 283 13 3 2 基于评价的推荐系统中的检索挑战 289 13 4 评价平台中的交互研究 293 13 4 1 扩展到其他评价平台 294 13 4 2 用户直接操作与限制用户控制的比较 295 13 4 3 支持性解释 置信和信任 296 13 4 4 可视化 自适应性和分区动态性 297 13 4 5 关于多文化的适用性的差异 298 13 5 评价的评估 资源 方法和标准 298 13 5 1 资源和方法 298 13 5 2 评估标准 299 13 6 总结与展望 300 参考文献 301 第14章 构建更值得信任和具有说服力的推荐系统 特性对评估推荐系统的影响 305 14 1 简介 305 14 2 推荐系统作为社交角色 306 14 3 来源可信度 306 14 3 1 可信度 306 14 3 2 专业能力 307 14 3 3 对来源可信度的影响 307 14 4 人际交互中信息特性的研究 307 14 4 1 相似度 307 14 4 2 喜好度 308 14 4 3 权威的象征 308 14 4 4 演讲的风格 308 14 4 5 外在吸引力 308 14 4 6 幽默 309 14 5 人机交互中的特性 309 14 6 用户与推荐系统交互的特性 309 14 6 1 推荐系统类型 310 14 6 2 输入特性 310 14 6 3 过程特性 311 14 6 4 输出特性 311 14 6 5 内嵌的智能体特性 312 14 7 讨论 312 14 8 影响 313 14 9 未来研究方向 314 参考文献 314 第15章 设计和评估推荐系统的解释 321 15 1 简介 321 15 2 指引 322 15 3 专家系统的说明 322 15 4 定义的目标 322 15 4 1 系统如何工作 透明性 324 15 4 2 允许用户告诉系统它是错误的 被理解 324 15 4 3 增加用户对系统上的信任 信任度 325 15 4 4 说服用户尝试或购买 说服力 326 15 4 5 帮助用户充分地决策 有效性 327 15 4 6 帮助用户快速制定决策 效率 328 15 4 7 使系统的应用愉悦 满意度 328 15 5 评估解释在推荐系统的作用 329 15 5 1 精准度 329 15 5 2 学习效率 329 15 5 3 覆盖度 330 15 5 4 接受度 330 15 6 用推荐设计展示与互动 330 15 6 1 展示推荐 330 15 6 2 与推荐系统交互 331 15 7 解释风格 332 15 7 1 基于协同风格 333 15 7 2 基于内容风格 334 15 7 3 基于案例风格 334 15 7 4 基于知识 自然语言风格 335 15 7 5 基于人口统计风格 335 15 8 总结与展望 336 参考文献 337 第16章 基于实例评价研究的产品推荐系统的可用性准则 340 16 1 简介 340 16 2 预备知识 341 16 2 1 交互模型 341 16 2 2 基于效用的推荐系统 342 16 2 3 准确率 信任度和代价的框架 344 16 2 4 本章结构 344 16 3 相关工作 345 16 3 1 推荐系统分类 345 16 3 2 基于评分的推荐系统 345 16 3 3 基于案例的推荐系统 345 16 3 4 基于效用的推荐系统 345 16 3 5 基于评价的推荐系统 346 16 3 6 其他设计指导准则 346 16 4 初始偏好提取 347 16 5 通过实例激励用户表示偏好 349 16 5 1 需要多少实例 350 16 5 2 需要哪些实例 350 16 6 偏好修正 352 16 6 1 偏好冲突和部分满足 352 16 6 2 权衡辅助 353 16 7 展示策略 354 16 7 1 一次推荐一项物品 354 16 7 2 推荐k项最匹配的物品 355 16 7 3 解释界面 355 16 8 准则验证模型 357 16 9 总结 359 参考文献 359 第17章 基于示意图的产品目录可视化 363 17 1 简介 363 17 2 基于图的可视化方法 364 17 2 1 自组织映射 364 17 2 2 树图 365 17 2 3 多维缩放 366 17 2 4 非线性主成分分析 367 17 3 产品目录图 367 17 3 1 多维缩放 368 17 3 2 非线性主成分分析 369 17 4 通过点击流分析决定属性权重 370 17 4 1 泊松回归模型 370 17 4 2 处理缺失值 371 17 4 3 使用泊松回归选择权值 371 17 4 4 阶梯式泊松回归模型 371 17 5 图像购物界面 372 17 6 电子商务应用 373 17 6 1 使用属性权值的基于mds的产品目录图 373 17 6 2 基于nl pca的产品目录图 375 17 6 3 图像购物界面 377 17 7 总结与展望 379 致谢 380 参考文献 380 第四部分 推荐系统与群体 第18章 个性化web搜索中的群体 协作与推荐系统 384 18 1 简介 384 18 2 网络搜索历史简介 385 18 3 网络搜索的未来 387 18 3 1 个性化网络搜索 387 18 3 2 协同信息检索 390 18 3 3 向社交搜索前进 392 18 4 案例研究1 基于群体的网络搜索 392 18 4 1 搜索群体中的重复性和规律性 392 18 4 2 协同网络搜索系统 393 18 4 3 评估 395 18 4 4 讨论 396 18 5 案例研究2 网络搜索共享 396 18 5 1 heystaks系统 397 18 5 2 heystaks推荐引擎 399 18 5 3 评估 400 18 5 4 讨论 402 18 6 总结 402 致谢 403 参考文献 403 第19章 社会化标签推荐系统 409 19 1 简介 409 19 2 社会化标签推荐系统 410 19 2 1 大众分类法 410 19 2 2 传统推荐系统范式 411 19 2 3 多模式推荐 412 19 3 现实社会化标签推荐系统 413 19 3 1 有哪些挑战 413 19 3 2 案例bibsonomy 413 19 3 3 标签获取 415 19 4 社会化标签系统的推荐算法 416 19 4 1 协同过滤 416 19 4 2 基于排序的推荐 418 19 4 3 基于内容的社会化标签推荐系统 421 19 4 4 评估方案和评估度量 423 19 5 算法比较 424 19 6 总结与展望 426 参考文献 427 第20章 信任和推荐 430 20 1 简介 430 20 2 信任的表示与计算 431 20 2 1 信任表示 431 20 2 2 信任计算 433 20 3 信任增强推荐系统 436 20 3 1 动机 436 20 3 2 进展 437 20 3 3 实验比较 441 20 4 进展和开放性挑战 445 20 5 总结 446 参考文献 446 第21章 组推荐系统 449 21 1 简介 449 21 2 应用场景和群组推荐系统分类 450 21 2 1 交互式电视 450 21 2 2 环绕智能 450 21 2 3 基于场景的推荐系统 451 21 2 4 基于分类的群组推荐 451 21 3 合并策略 452 21 3 1 合并策略概览 452 21 3 2 合并策略在相关工作中的应用 453 21 3 3 哪种策略效果最好 454 21 4 序列顺序的影响 455 21 5 对情感状态建模 456 21 5 1 对个人的满意度进行建模 457 21 5 2 个人满意度对群组的影响 458 21 6 情感状态在合并策略中的使用 459 21 7 对单个用户进行组推荐 460 21 7 1 多准则 460 21 7 2 冷启动问题 461 21 7 3 虚拟组成员 462 21 8 总结与挑战 462 21 8 1 提出的主要问题 463 21 8 2 警告 组建模 463 21 8 3 面临的挑战 464 致谢 464 参考文献 465 第五部分 高级算法 第22章 推荐系统中的偏好聚合468 22 1 简介 468 22 2 推荐系统中的聚合类型 468 22 2 1 协同过滤中的偏好聚合 470 22 2 2 cb与ub推荐中的特性聚合 470 22 2 3 cb与ub的配置文件构建 470 22 2 4 物品和用户相似度以及邻居的形成 471 22 2 5 基于实例推理的连接词在推荐系统中的应用 472 22 2 6 加权混合系统 472 22 3 聚合函数概论 472 22 3 1 定义和属性 472 22 3 2 聚合成员 475 22 4 聚合函数的构建 479 22 4 1 数据收集和处理 479 22 4 2 期望属性 语义 解释 480 22 4 3 函数表现的复杂度及其理解 481 22 4 4 权重和参数的确定 482 22 5 推荐系统中的复杂聚合过程 为特定应用定制 482 22 6 总结 485 22 7 进阶阅读 485 致谢 486 参考文献 486 第23章 推荐系统中的主动学习 488 23 1 简介 488 23 1 1 推荐系统中主动学习的目标 489 23 1 2 例证 490 23 1 3 主动学习的类型 490 23 2 数据集的属性 491 23 3 主动学习在推荐系统中的应用 492 23 4 主动学习公式 493 23 5 基于不确定性的主动学习 495 23 5 1 输出不确定性 495 23 5 2 决策边界不确定性 496 23 5 3 模型不确定性 497 23 6 基于误差的主动学习 498 23 6 1 基于实例的方法 498 23 6 2 基于模型的方法 500 23 7 基于组合的主动学习 501 23 7 1 基于模型的方法 501 23 7 2 基于候选的方法 502 23 8 基于会话的主动学习 504 23 8 1 基于实例的评论 504 23 8 2 基于多样性的方法 504 23 8 3 基于查询编辑的方法 505 23 9 计算因素考虑 505 23 10 总结 505 致谢 506 参考文献 506 第24章 多准则推荐系统 510 24 1 简介 510 24 2 推荐作为多准则决策问题 511 24 2 1 决策目标 512 24 2 2 准则簇 512 24 2 3 全局偏好模型 513 24 2 4 决策支持流程 513 24 3 推荐系统的mcdm框架 经验教训 515 24 4 多准则评分推荐 517 24 4 1 传统的单值评分推荐问题 517 24 4 2 引入多准则评分来扩展传统推荐系统 518 24 5 多准则评分推荐算法综述 519 24 5 1 预测中使用多准则评分 519 24 5 2 推荐中使用多准则评分 524 24 6 讨论及未来工作 526 24 7 总结 527 致谢 528 参考文献 528 第25章 具有健壮性的协同推荐 533 25 1 简介 533 25 2 问题定义 534 25 3 攻击分类 536 25 3 1 基础攻击 536 25 3 2 非充分信息攻击 537 25 3 3 打压攻击模型 537 25 3 4 知情攻击模型 538 25 4 检测系统健壮性 539 25 4 1 评估矩阵 539 25 4 2 推举攻击 540 25 4 3 打压攻击 541 25 4 4 知情攻击 542 25 4 5 攻击效果 543 25 5 攻击检测 543 25 5 1 评估矩阵 544 25 5 2 单用户检测 544 25 5 3 用户组检测 545 25 5 4 检测结果 548 25 6 健壮的推荐算法 548 25 6 1 基于模型的推荐 548 25 6 2 健壮的矩阵分解算法 549 25 6 3 其他具有健壮性的推荐算法 549 25 6 4 影响力限制器和基于信誉的推荐 550 25 7 总结 550 致谢 551 参考文献 551 本书贡献者名单 554 翻译团队名单560 本文链接 https icode1024 com algorithm 524 html python高手之路 第3版 pdf 下载 大话oracle rac集群高可用性备份与恢复 pdf 下载 相关推荐 2024 05 27 数据结构与算法分析 c语言描述 原书第2版 pdf 下载 2024 05 05 推荐系统 技术 评估及高效算法 pdf 下载 2024 05 01 神经网络算法与实现基于java语言 pdf 下载 2024 04 28 算法笔记 pdf 下载 2024 04 28 算法基础与在线实践 pdf 下载 2024 04 24 挑战程序设计竞赛 第2版 pdf 下载 2024 04 19 程序员的算法趣题 pdf 下载 2024 04 18 现代计算机常用数据结构和算法 pdf 下载 2024 04 17 编程珠玑 第2版 修订版 pdf 下载 2024 04 10 数据结构与算法分析 java语言描述 第2版 pdf 下载 网友评论 取消回复 提交评论 热门文章 数据库系统概论第5版 王珊 pdf 下载 neo4j权威指南 pdf 下载 springboot vue学生信息管理系统 javaweb毕业设计 bootstrap calendar日历表控件 源码下载 jquery实现图片局部放大 源码下载 java从入门到精通 pdf 下载 趣学python编程中文版 pdf 下载 kafka权威指南 pdf 下载 企业应用架构模式 pdf 下载 java8中stream流用法 随机文章 redis入门指南 pdf 下载 spring揭秘 pdf 下载 spring 3 0就这么简单 pdf 下载 spring cloud与docker微服务架构实战 pdf 下载 mybatis从入门到精通 pdf 下载 elasticsearch服务器开发 第2版 pdf 下载 javascript dom编程艺术 第2版 pdf 下载 javascript面向对象编程指南 pdf 下载 javascript权威指南 第6版 pdf 下载 jquery权威指南 pdf 下载 热门标签 下载 577 pdf 540 java 131 python 91 实战 74 编程 59 与 54 开发 50 技术 48 第2版 44 算法 33 指南 32 版 31 设计 30 核心 24 javascript 23 教程 23 应用 23 实践 23 学习 22 web 22 深入 22 第3版 21 入门 20 数据 20 基础 20 程序 20 权威指南 19 中文版 18 源码 17 手册 17 系统 16 黑客 16 mysql 15 网络 15 分析 15 spring 14 架构 14 sql 14 实现 14 精通 14 并发 14 视频 14 设计模式 13 css 13 高级 13 服务 13 权威 13 语言 13 redis 12 侧栏广告位 copyright 2023 2025 爱码网 版权所有 免责声明 网站所有作品均收集于网络 仅供读者学习交流使用 如有侵权 请发送邮件到876027276 qq com 告知管理员 我们将及时处理 皖icp备2023004554号 1 皖公网安备34152402000268