基于机器学习的个性化推荐算法及应用

第 1章 概述

1.1 研究背景与意义

1.1.1 研究背景

1.1.2 研究意义

1.2 问题与挑战

1.2.1 信息过载

1.2.2 长尾效应

1.2.3 隐私保护

1.3 本书的组织架构



第 2章 机器学习的相关理论

2.1 机器学习

2.1.1 机器学习的概念

2.1.2 机器学习的分类

2.1.3 机器学习的工作流程

2.2 推荐系统

2.2.1 推荐系统概述

2.2.2 推荐系统的形式化定义

2.3 用户画像

2.3.1 用户画像概述

2.3.2 用户画像信息来源

2.3.3 用户画像建模

2.4 人工神经网络

2.4.1 人工神经网络模型原理

2.4.2 典型的人工神经网络

2.5 小结



第3章 个性化推荐算法的相关理论

3.1 个性化推荐系统的应用

3.1.1 电子商务

3.1.2 音/视频服务

3.1.3 社交服务

3.1.4 基于位置的服务

3.1.5 旅行服务

3.2 推荐算法的分类

3.2.1 基于内容的推荐

3.2.2 协同过滤推荐

3.2.3 基于知识的推荐

3.2.4 混合推荐

3.2.5 推荐算法比较

3.3 推荐系统评价

3.3.1 评价方法

3.3.2 准确度指标

3.3.3 多样性指标

3.4 推荐系统存在的问题

3.4.1 数据稀疏性

3.4.2 冷启动

3.4.3 可扩展性

3.4.4 用户兴趣漂移

3.5 小结



第4章 基于三维项集矩阵和向量的频繁项集挖掘算法

4.1 概述

4.2 理论基础

4.2.1 关联规则挖掘理论

4.2.2 Apriori 算法

4.3 基于三维项集矩阵和向量的频繁项集挖掘算法详解

4.3.1 相关定义

4.3.2 算法说明

4.3.3 基于三维项集矩阵和向量的更新策略

4.4 实验结果分析

4.4.1 实验数据集

4.4.2 结果分析

4.5 小结



第5章 融合惩罚因子和时间权重的协同过滤算法

5.1 概述

5.2 理论基础

5.2.1 欧几里得相似度

5.2.2 余弦相似度

5.2.3 修正余弦相似度

5.2.4 皮尔逊相似度

5.2.5 杰卡德相似度

5.2.6 组合KNN 推荐算法

5.3 融合惩罚因子和时间权重的协同过滤算法详解

5.3.1 热门物品与用户评分习惯维度

5.3.2 用户评分时间维度

5.3.3 改进相似度及加权预测评分

5.3.4 算法说明

5.4 实验结题与分析

5.4.1 实验数据集

5.4.2 结果分析

5.5 小结



第6章 基于用户属性和项目评分的协同过滤算法

6.1 概述

6.2 基于用户属性和项目评分的协同过滤算法详解

6.2.1 相关概念

6.2.2 基于项目评分的相似度计算

6.2.3 基于用户属性的相似度计算

6.2.4 算法说明

6.3 实验与结果分析

6.3.1 实验数据集

6.3.2 结果分析

6.4 小结



第7章 个性化图书推荐原型系统

7.1 概述

7.2 系统设计

7.2.1 系统架构设计

7.2.2 系统功能设计

7.2.3 数据库设计

7.3 系统实现及关键技术

7.3.1 开发环境

7.3.2 系统流程

7.3.3 关键技术

7.4 系统使用说明

7.4.1 热门图书模块

7.4.2 图书分类模块

7.4.3 个性化图书推荐模块

7.4.4 图书评价模块

7.4.5 用户评分历史模块

7.5 小结



第8章 总结与展望

8.1 研究总结

8.2 研究展望

参考文献