机器学习算法实践:推荐系统的协同过滤理论及其应用

目录
**篇基 础 理 论

第1章理论入门

1．1引言

1．2推荐系统的形式化定义

1．3基于近邻的协同过滤推荐算法

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基于用户兴趣的推荐算法

1．5基于模型的协同过滤推荐算法

1．5．1矩阵分解模型

1．5．2交替*小二乘

1．5．3概率矩阵分解

1．5．4非负矩阵分解

1．6基于信任的协同过滤推荐算法

1．7推荐系统现存问题

1．7．1冷启动

1．7．2数据稀疏性

1．7．3可扩展性

1．7．4用户兴趣漂移

1．8评测指标

本章小结

参考文献
第二篇基于时序的协同过滤推荐算法

第2章基于巴式系数改进相似度的协同过滤推荐算法

2．1引言

2．2相关工作

2．2．1余弦相似度

2．2．2调整余弦相似度

2．2．3Pearson相关系数

2．2．4Jaccard相似度

2．3一种巴氏系数改进相似度的协同过滤推荐算法

2．3．1巴氏系数

2．3．2巴氏系数相似度

2．3．3BCCF算法描述

2．4实验与分析

2．4．1数据集

2．4．2评价标准

2．4．3实验结果与分析

本章小结

参考文献

第3章基于用户兴趣和项目属性的协同过滤推荐算法

3．1引言

3．2相关工作

3．3基于用户兴趣和项目属性的协同过滤推荐算法

3．3．1基于时间的用户兴趣度权重

3．3．2改进相似度计算

3．3．3加权预测评分

3．3．4算法步骤

3．4实验结果与分析

3．4．1数据集

3．4．2评价标准

3．4．3结果分析

本章小结

参考文献
第三篇基于矩阵分解的协同过滤推荐算法

第4章SVD和信任因子相结合的协同过滤推荐算法

4．1引言

4．2标注和相关工作

4．2．1标注

4．2．2奇异值分解

4．2．3计算相似度

4．3SVD和信任因子相结合的协同过滤推荐算法

4．3．1项目特征空间

4．3．2两阶段k近邻选择

4．3．3信任因子

4．3．4预测评分

4．3．5算法

4．4实验结果与分析

4．4．1数据集和实验环境

4．4．2评价标准

4．4．3实验结果分析

本章小结

参考文献

第5章相似度填充的概率矩阵分解的协同过滤推荐算法

5．1引言

5．2相关工作

5．2．1协同过滤推荐算法

5．2．2概率矩阵分解技术

5．3CFPFCF算法

5．3．1算法设计思想

5．3．2CFPFCF算法的描述

5．4实验分析

5．4．1数据集与误差标准

5．4．2实验结果与性能比较

本章小结

参考文献

第6章基于偏置信息的改进概率矩阵分解算法研究

6．1引言

6．2相关工作

6．2．1矩阵分解模型

6．2．2Baseline预测

6．3算法流程

6．4实验分析

6．4．1实验所用数据集

6．4．2实验环境配置

6．4．3实验评价标准

6．4．4实验结果及分析

本章小结

参考文献

第7章基于项目属性改进概率矩阵分解算法

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算法复杂度分析

7．3实验结果对比分析

7．3．1实验数据集

7．3．2实验评价标准

7．3．3对比实验配置及说明

7．3．4实验参数分析

7．3．5实验对比

本章小结

参考文献

第8章基于交替*小二乘的改进概率矩阵分解算法

8．1引言

8．2交替*小二乘

8．3Baseline预测

8．4IPMF算法

8．4．1算法改进思想

8．4．2算法流程

8．4．3复杂度分析

8．5实验结果分析

8．5．1对比实验设定

8．5．2实验分析

本章小结

参考文献

第9章基于社交网络的改进概率矩阵分解算法研究

9．1引言

9．2相关工作

9．2．1推荐系统的形式化

9．2．2矩阵分解与推荐系统

9．3概率矩阵分解

9．4主要研究内容

9．4．1基于社交网络的改进概率矩阵分解

9．4．2算法流程

9．4．3算法复杂度分析

9．5实验分析

9．5．1实验数据集

9．5．2实验评价标准

9．5．3对比算法

9．5．4潜在因子维度的影响

9．5．5偏置的影响

9．5．6信任因子的影响

9．5．7对比实验分析

本章小结

参考文献

第10章带偏置的非负矩阵分解推荐算法

10．1引言

10．2相关工作

10．2．1矩阵分解

10．2．2奇异值矩阵

10．2．3Baseline预测

10．2．4NMF算法

10．3RBNMF算法

10．3．1理论分析

10．3．2RBNMF算法流程

10．4实验分析

10．4．1数据集

10．4．2评价标准

10．4．3实验结果及分析

本章小结

参考文献

第11章基于项目热度的协同过滤推荐算法

11.1引言

11.2非负矩阵分解

11.3两阶段近邻选择

11.3.1两阶段k近邻选择

11.3.2项目“热度”和局部信任

11.3.3预测评分

11.4算法描述

11.5实验结果分析

11.5.1不同策略下相似度的分布

11.5.2两种因素的分布与分析

11.5.3实验结果及分析

本章小结

参考文献

第四篇基于信任的协同过滤推荐算法

第12章带偏置的专家信任推荐算法

12.1引言

12.2相关工作

12.2.1专家算法

12.2.2生成推荐值

12.2.3Baseline预测

12.3改进专家算法

12.3.1改进专家信任

12.3.2评分形成

12.3.3算法描述

12.4实验结果与分析

12.4.1数据集

12.4.2评估标准

12.4.3实验结果及分析

本章小结

参考文献

第13章一种改进专家信任的协同过滤推荐算法

13.1引言

13.2标注与相关工作

13.2.1标注

13.2.2近邻模型

13.2.3专家算法

13.3改进专家算法

13.3.1重要概念

13.3.2评分形成

13.3.3算法描述

13.4实验结果与分析

13.4.1数据集

13.4.2评估标准

13.4.3实验结果与分析

本章小结

参考文献

第五篇原型系统开发

第14章电影推荐原型系统

14.1引言

14.2主要功能

14.3关键技术

14.3.1概率矩阵分解模型

14.3.2社交网络正则化

14.4集群搭建

14.4.1集群软硬件环境

14.4.2Spark集群

14.4.3HBase集群

14.5系统特点

14.6用户使用说明

14.6.1系统简介界面

14.6.2建模一和建模二界面

14.6.3集群界面

14.6.4看过的电影界面

14.6.5推荐电影界面

14.6.6统计分析界面

参考文献