第1章 推荐系统：简介和挑战

1.1 简介

1.2 推荐系统的功能

1.3 数据和知识来源

1.4 推荐技术

1.5 推荐系统评估

1.6 推荐系统应用

1.7 推荐系统与人机交互

1.8 高级话题

1.9 挑战

1.9.1 偏好获取与分析

1.9.2 交互

1.9.3 新的推荐任务

参考文献

第一部分 推荐系统技术

第2章 基于邻域的推荐方法综述

2.1 简介

2.1.1 基于邻域方法的优势

2.1.2 目标和概要

2.2 问题定义和符号

2.3 基于邻域的推荐

2.3.1 基于用户的评分预测

2.3.2 基于用户的分类预测方法

2.3.3 回归与分类

2.3.4 基于物品的推荐

2.3.5 基于用户和基于物品的推荐方法的比较

2.4 基于邻域方法的要素

2.4.1 评分标准化

2.4.2 相似度权重的计算

2.4.3 邻域的选择

2.5 高级进阶技术

2.5.1 基于图的方法

2.5.2 基于学习的方法

2.6 总结

参考文献

第3章 协同过滤方法进阶

3.1 简介

3.2 预备知识

3.2.1 基准预测

3.2.2 Netflix数据

3.2.3 隐式反馈

3.3 矩阵分解模型

3.3.1 SVD

3.3.2 SVD＋＋

3.3.3 时间敏感的因子模型

3.3.4 比较

3.3.5 小结

3.4 基于邻域的模型

3.4.1 相似度度量

3.4.2 基于相似度的插值

3.4.3 联合派生插值权重

3.4.4 小结

3.5 增强的基于邻域的模型

3.5.1 全局化的邻域模型

3.5.2 因式分解的邻域模型

3.5.3 基于邻域模型的动态时序

3.5.4 小结

3.6 基于邻域的模型和因子分解模型的比较

参考文献

第4章 基于内容的语义感知推荐系统

4.1 简介

4.2 基于内容的推荐系统概述

4.2.1 基于关键词的向量空间模型

4.2.2 用户特征学习的方法

4.2.3 基于内容过滤的优缺点

4.3 自上而下的语义方法

4.3.1 基于本体资源的方法

4.3.2 基于非结构化或半结构化百科知识的方法

4.3.3 基于关联开放数据的方法

4.4 自下而上的语义方法

4.4.1 基于判别式模型的方法

4.5 方法比较与小结

4.6 总结与未来挑战

致谢

参考文献

第5章 基于约束的推荐系统

5.1 简介

5.2 推荐知识库的开发

5.3 推荐过程中的用户导向作用

5.4 计算推荐结果

5.5 实际应用的经验

5.6 未来的研究方法

5.7 总结

参考文献

第6章 情境感知推荐系统

6.1 简介和动机

6.2 推荐系统中的情境

6.2.1 什么是情境

6.2.2 推荐系统中模型化情境信息的表征性方法

6.2.3 推荐系统中主要的情境信息建模方法

6.2.4 获取情境信息

6.3 结合具有代表性情境的推荐系统范式

6.3.1 情境预过滤

6.3.2 情境后过滤

6.3.3 情境建模

6.4 讨论和总结

致谢

参考文献

第7章 推荐系统中的数据挖掘方法

7.1 简介

7.2 数据预处理

7.2.1 相似度度量方法

7.2.2 抽样

7.2.3 降维

7.2.4 去噪

7.3 监督学习

7.3.1 分类

7.3.2 分类器的集成

7.3.3 评估分类器

7.4 无监督学习

7.4.1 聚类分析

7.4.2 关联规则挖掘

7.5 总结

参考文献

第二部分 推荐系统评估

第8章 推荐系统的评估

8.1 简介

8.2 实验设置

8.2.1 离线实验

8.2.2 用户调查

8.2.3 在线评估

8.2.4 得出可靠结论

8.3 推荐系统属性

8.3.1 用户偏好

8.3.2 预测精度

8.3.3 覆盖率

8.3.4 置信度

8.3.5 信任度

8.3.6 新颖性

8.3.7 惊喜度

8.3.8 多样性

8.3.9 效用

8.3.10 风险

8.3.11 健壮性

8.3.12 隐私

8.3.13 适应性

8.3.14 可扩展性

8.4 结论

参考文献

第9章 使用用户实验评估推荐系统

9.1 简介

9.2 理论基础与现有工作

9.2.1 理论基础：Knij nenburg等人提出的评估框架

9.2.2 现有以用户为中心的研究概览以及有前景的方向

9.3 实践指南

9.3.1 研究模型

9.3.2 参与者

9.3.3 实验操控

9.3.4 测量

9.3.5 统计评估

9.4 结论

参考文献

第10章 对推荐结果的解释：设计和评估

10.1 简介

10.2 推荐设计的呈现和交互

10.2.1 推荐呈现

10.2.2 偏好提取

10.3 解释风格

10.3.1 基于协作的解释风格

10.3.2 基于内容的解释风格

10.3.3 基于案例推理（CBR）的解释风格

10.3.4 基于知识和基于效用的解释风格

10.3.5 基于人口统计的解释方式

10.4 目标和度量

10.4.1 系统如何工作：透明性

10.4.2 允许用户告诉系统它是错误的：被理解

10.4.3 增加用户对系统的信任：信任度

10.4.4 说服用户尝试或购买：说服力

10.4.5 帮助用户充分地决策：有效性

10.4.6 帮助用户快速制定决策：效率

10.4.7 系统满意度

10.5 未来的方向

10.5.1 推荐的社会性

10.5.2 解释、偶然性和过滤泡泡

10.5.3 应该何时展现推荐解释

10.5.4 推荐解释：有益还是有害

参考文献

第三部分 推荐系统应用

第11章 工业界的推荐系统：Netflix案例分析

11.1 简介

11.2 推荐系统在工业界中的应用

11.3 Netflix大奖赛

11.4 评分预测之外的推荐工作

11.4.1 推荐无处不在

11.4.2 排序

11.4.3 页面优化

11.5 数据和模型

11.5.1 数据

11.5.2 模型

11.6 消费者数据科学

11.7 架构

11.7.1 事件和数据分布系统

11.7.2 线下、近似在线、线上计算

11.7.3 推荐结果

11.8 可扩展的研究方向

11.8.1 隐式反馈

11.8.2 个性化排序学习

11.8.3 全页优化

11.8.4 情景推荐

11.8.5 评测及标准

11.8.6 类别不平衡及其效应

11.8.7 社交推荐

11.9 结论

参考文献

第12章 辅助学习的推荐系统综述

12.1 简介

12.2 技术增强学习

12.3 技术增强学习推荐系统的分类框架

12.4 方法综述

12.4.1 方法和技术增强学习推荐系统综述

12.4.2 框架分析

12.5 结论

致谢

参考文献

第13章 音乐推荐系统

13.1 简介

13.2 基于内容的音乐推荐

13.2.1 元数据信息

13.2.2 音频内容

13.3 基于上下文的音乐推荐

13.3.1 环境相关的上下文

13.3.2 用户相关的上下文

13.3.3 在音乐推荐系统中结合上下文信息

13.4 混合音乐推荐

13.4.1 结合内容与上下文描述符

13.4.2 结合协同过滤与内容描述符

13.4.3 结合协同过滤与上下文描述符

13.5 自动生成播放列表

13.5.1 并行和序列消费

13.5.2 播放列表评估

13.5.3 播放列表生成算法

13.6 数据集和评估

13.6.1 评估方法

13.6.2 Yahoo！Music数据集和KDD Cup 2011

13.6.3 百万级别歌曲数据集（MSD）和MSD Challenge 2012

13.6.4 Last.fm数据集：360K/1K用户

13.6.5 MusicMicro和百万级别音乐数据集（MMTD）

13.6.6 AotM-2011

13.7 总结与挑战

参考文献

第14章 剖析基于位置的移动推荐系统

14.1 简介

14.2 移动推荐系统的数据

14.2.1 发现兴趣点和位置偏好

14.2.2 根据智能手机传感器的行为推导

14.3 移动应用中计算推荐的方法

14.3.1 推荐形式化概述

14.3.2 推荐场所的算法

14.4 移动推荐的评估

14.5 结论和未来方向

参考文献

第15章 社会化推荐系统

15.1 简介

15.2 内容推荐

15.2.1 关键领域

15.2.2 群组推荐

15.2.3 案例研究：企业社交媒体推荐

15.2.4 小结

15.3 人物推荐

15.3.1 推荐连接的人

15.3.2 推荐陌生人

15.3.3 推荐被关注者

15.3.4 相关研究领域

15.3.5 小结

15.4 讨论

15.5 新兴领域和开放性挑战

15.5.1 新兴领域

15.5.2 开放性挑战

参考文献

第16章 人与人之间的相互推荐

16.1 简介

16.2 互惠推荐与传统推荐

16.3 关于人与人推荐的已有工作

16.3.1 社交网络

16.3.2 师徒匹配

16.3.3 工作推荐

16.3.4 在线婚恋

16.4 在线婚恋系统案例分析

16.4.1 一种基于内容—协同双向在线婚恋推荐系统

16.4.2 显式与隐式的用户偏好

16.5 总结与未来工作

参考文献

第17章 社交网络搜索中的协作、信用机制和推荐系统

17.1 简介

17.2 网络搜索的历史简介

17.3 网络搜索的未来

17.3.1 个性化网络搜索

17.3.2 协同信息检索

17.3.3 关于信誉与推荐

17.3.4 向社交搜索前进

17.4 案例研究1：HeyStaks——社交搜索用例

17.4.1 HeyStaks系统

17.4.2 HeyStaks推荐引擎

17.4.3 评估

17.5 案例研究2：社会搜索的信誉模型

17.5.1 从活动到信誉

17.5.2 信誉作为协同

17.5.3 实例

17.5.4 基于图的信誉模型

17.5.5 从用户信誉到结果推荐

17.5.6 评估

17.6 搜索未来

17.6.1 从搜索到发现

17.6.2 在传感器丰富的移动世界中搜索

致谢

参考文献

第四部分 人机交互

第18章 人类决策过程与推荐系统

18.1 简介

18.2 选择模式和推荐

18.2.1 基于属性的选择

18.2.2 基于结果的选择

18.2.3 基于经验的选择

18.2.4 基于社会的选择

18.2.5 基于策略的选择

18.2.6 基于反复试错的选择

18.2.7 混合模式的选择

18.2.8 什么是一个好的选择

18.3 支持选择策略和推荐

18.3.1 代表选择者的评估

18.3.2 选择过程的建议

18.3.3 获取信息与经验

18.3.4 代表选择的情景

18.3.5 合并和计算

18.3.6 设计域

18.3.7 支持策略的结束语

18.4 论证和解释

18.4.1 论证

18.4.2 推荐的可解释性

18.5 偏好和评级

18.5.1 什么是“偏好”

18.5.2 评分反映了什么

18.6 消除选择过载

18.7 支持性的反复试错法

18.7.1 有稳定评判标准的反复试错法

18.7.2 有变化评判标准的反复试错法

18.8 处理在选择过程中潜在噪声造成的影响

18.8.1 上下文效应

18.8.2 顺序效应

18.8.3 框架效应

18.8.4 启动效应

18.8.5 默认值

18.9 总结

致谢

参考文献

第19章 推荐系统中的隐私问题

19.1 简介

19.2 推荐系统中的隐私风险

19.2.1 由推荐系统导致的风险

19.2.2 由普通用户导致的风险

19.2.3 由外部人员导致的风险

19.2.4 小结

19.3 隐私保护方法

19.3.1 面向架构与系统设计的方案

19.3.2 面向算法的方案

19.3.3 基于政策的方案

19.4 人的因素和对于隐私的认知

19.4.1 透明化与管控的局限性

19.4.2 隐私助推

19.4.3 隐私自适应

19.5 总结与思考

参考文献

第20章 影响推荐系统可信度评估的来源因素

20.1 简介

20.2 在线来源的可信度评估

20.3 推荐系统作为社交参与者

20.4 人际交互中的来源因素

20.4.1 来源可信度

20.4.2 来源线索

20.5 人-技术交互中的来源因素

20.6 用户与推荐系统交互的来源因素

20.6.1 推荐系统类型

20.6.2 输入特征

20.6.3 过程特征

20.6.4 输出特征

20.6.5 嵌入式智能代理特征

20.6.6 新兴社交技术的影响

20.7 讨论

20.8 影响

20.9 未来研究方向

参考文献

第21章 用户性格和推荐系统

21.1 简介

21.2 什么是性格特征

21.2.1 五因素性格模型

21.2.2 其他性格模型

21.2.3 用户性格与用户偏好如何相关

21.3 性格采集

21.3.1 显式性格采集方法

21.3.2 隐式性格采集方法

21.3.3 推荐系统的线下实验数据集

21.4 如何在推荐系统中使用用户性格

21.4.1 解决新用户的问题

21.4.2 多样性/意外收获

21.4.3 跨域推荐

21.4.4 群组推荐

21.5 难题和挑战

21.5.1 非侵入式方法获取性格信息

21.5.2 大规模数据集

21.5.3 跨域应用

21.5.4 多样性

21.5.5 隐私问题

21.6 总结

致谢

参考文献

第五部分 高级话题

第22章 组推荐系统：聚合、满意度和组属性

22.1 简介

22.2 组推荐的应用场景和分类

22.2.1 使用场景1：交互式电视

22.2.2 使用场景2：环境智能

22.2.3 应用场景背后的相关工作

22.2.4 组推荐系统的分类

22.3 合并策略

22.3.1 合并策略概览

22.3.2 合并策略在相关工作中的应用

22.3.3 哪种策略性能最佳

22.4 序列顺序的影响

22.5 对情感状态建模

22.5.1 对个人满意度进行建模

22.5.2 个人满意度对群组的影响

22.6 满意度在聚合策略中的使用

22.7 组合属性：角色、个性、专长、关系强度、关系类型和个人影响

22.8 对单个用户进行组推荐

22.8.1 多准则

22.8.2 冷启动问题

22.8.3 虚拟组成员

22.9 总结和挑战

22.9.1 提出的主要问题

22.9.2 警告：组建模

22.9.3 面临的挑战

致谢

参考文献

第23章 推荐系统中的聚合功能

23.1 简介

23.2 推荐系统中的聚合类型

23.2.1 协同过滤中的偏好聚合

23.2.2 CB与UB推荐中的特征聚合

23.2.3 物品和用户相似度计算以及邻居集的构建方式

23.2.4 CB与UB的用户配置文件构建

23.2.5 基于实例推理的连接词在推荐系统中的应用

23.2.6 加权混合系统

23.3 聚合函数概述

23.3.1 定义和属性

23.3.2 聚合成员

23.4 聚合函数的构建

23.4.1 数据收集和处理

23.4.2 期望属性、语义、解释

23.4.3 函数表现的复杂度及其理解

23.4.4 基于惩罚的构造方法

23.4.5 权重和参数的确定

23.5 推荐系统中的复杂聚合过程：为特定应用定制

23.6 总结

参考文献

第24章 推荐系统中的主动学习

24.1 简介

24.1.1 推荐系统中主动学习的目标

24.1.2 例证

24.1.3 主动学习的类型

24.2 数据集的属性

24.3 主动学习在推荐系统中的应用

24.4 基于不确定性的主动学习

24.4.1 输出不确定性

24.4.2 决策边界不确定性

24.4.3 模型不确定性

24.5 基于误差的主动学习

24.5.1 基于实例的方法

24.5.2 基于模型的方法

24.6 基于组合的主动学习

24.6.1 基于模型的方法

24.6.2 基于候选的方法

24.7 基于会话的主动学习

24.7.1 基于实例的评论

24.7.2 基于多样性的方法

24.7.3 基于查询编辑的方法

24.8 评估的设置

24.8.1 范围

24.8.2 获取自然评分

24.8.3 时间的演化

24.8.4 可比性

24.8.5 小结

24.9 计算因素的考虑

24.10 总结

参考文献

第25章 多准则推荐系统

25.1 简介

25.2 多准则评分推荐

25.2.1 传统的单准则评分推荐问题

25.2.2 引入多准则评分来扩展传统推荐系统

25.3 预测中使用多准则评分

25.3.1 启发式方法

25.3.2 基于模型的方法

25.4 推荐中使用多准则评分

25.4.1 相关工作：多准则优化

25.4.2 设计物品推荐整体序列

25.4.3 发现帕累托最优的物品推荐

25.4.4 使用多准则评分作为推荐过滤器

25.5 讨论及未来工作

25.5.1 研究多准则评分的新技术

25.5.2 扩展多准则的现有技术

25.5.3 多准则评分的管理

25.6 总结

参考文献

第26章 推荐系统中的新颖性和多样性

26.1 简介

26.2 推荐系统中的新颖性和多样性

26.2.1 推荐系统为什么需要新颖性和多样性

26.2.2 新颖性和多样性的定义

26.2.3 其他领域的多样性

26.3 新颖性和多样性的评估

26.3.1 标记

26.3.2 平均列表内距离

26.3.3 全局长尾新颖性

26.3.4 用户特定的不可预测性

26.3.5 推荐内多样性指标

26.3.6 具体方法

26.3.7 多样性、新颖性和惊喜性

26.3.8 信息检索多样性

26.4 新颖性和多样性增强方法

26.4.1 结果的多样化或重排

26.4.2 使用聚类的多样化

26.4.3 基于融合的方法

26.4.4 多样性排序学习

26.4.5 惊喜性：使令人惊讶的推荐成为可能

26.4.6 其他方法

26.4.7 用户研究

26.4.8 信息检索中多样化的方法

26.5 统一框架

26.5.1 通用的新颖性/多样性度量方案

26.5.2 物品新颖性模型

26.5.3 指标生成

26.5.4 连接推荐多样性和检索多样性

26.6 实验指标比较

26.7 总结

参考文献

第27章 跨领域推荐系统

27.1 简介

27.2 跨领域推荐问题的表示

27.2.1 领域的定义

27.2.2 跨领域推荐的任务

27.2.3 跨领域推荐的目标

27.2.4 跨领域推荐的场景

27.3 跨领域推荐技术的分类

27.4 基于知识聚合的跨领域推荐

27.4.1 合并单个领域的用户偏好

27.4.2 整合单个领域的用户模型数据

27.4.3 综合单个领域的推荐结果

27.5 基于知识连接和迁移的跨领域推荐

27.5.1 连接领域

27.5.2 领域间的潜在特征共享

27.5.3 领域间的评分模式迁移

27.6 跨领域推荐系统的评估

27.6.1 数据划分

27.6.2 评估指标

27.6.3 敏感性分析

27.7 跨领域推荐中的现实考量

27.8 开放的研究问题

参考文献

第28章 具有鲁棒性的协同推荐

28.1 简介

28.2 问题定义

28.3 攻击分类

28.3.1 基础攻击

28.3.2 非充分信息攻击

28.3.3 打压攻击模型

28.3.4 知情攻击模型

28.3.5 混淆攻击

28.4 评估系统鲁棒性

28.4.1 评估指标

28.4.2 推举攻击

28.4.3 打压攻击

28.4.4 知情攻击

28.4.5 攻击效果

28.5 攻击检测

28.5.1 评估指标

28.5.2 单用户检测

28.5.3 用户信息组检测

28.5.4 检测发现

28.6 超越基于内存的算法

28.6.1 基于模型的推荐

28.6.2 隐私保护算法

28.6.3 影响力限制器和基于信誉的推荐

28.7 鲁棒的算法

28.7.1 鲁棒的矩阵分解算法

28.7.2 其他具有鲁棒性的推荐算法

28.8 应对推荐系统攻击的实际措施

28.9 总结

致谢

参考文献