目錄
前言
第1章 概述 1
1.1 什么是推薦系統(tǒng) 1
1.2 推薦系統(tǒng)的發(fā)展歷史 2
1.3 推薦算法分類 5
1.3.1 基于內(nèi)容的推薦算法 5
1.3.2 基于協(xié)同過濾的推薦算法 6
1.3.3 混合推薦算法 9
1.4 推薦系統(tǒng)應(yīng)用 11
1.5 推薦系統(tǒng)面臨的挑戰(zhàn) 13
第2章 基于內(nèi)容和知識的推薦 18
2.1 基于語義的推薦 18
2.1.1 語義網(wǎng)基本概念 18
2.1.2 資源描述框架 19
2.1.3 本體描述語言 21
2.1.4 本體語義推理 23
2.1.5 隱語義推薦 25
2.2 基于內(nèi)容的推薦 30
2.2.1 item representation 31
2.2.2 profile learning 32
2.2.3 recommendation generation 34
2.3 基于約束的推薦 35
2.3.1 基本概念 35
2.3.2 會話式推薦系統(tǒng)的交互過程 38
2.3.3 實際應(yīng)用經(jīng)驗 38
2.3.4 未來的研究方向 39
2.4 基于效用的推薦 40
2.4.1 基本概念 40
2.4.2 個性化推薦的影響因素 40
2.4.3 基于效用的個性化推薦的實現(xiàn) 42
2.4.4 其他研究方法 44
第3章 協(xié)同過濾 46
3.1 協(xié)同過濾簡介 46
3.1.1 基本思想 47
3.1.2 算法分類 48
3.1.3 一般流程 48
3.2 基于鄰域的協(xié)同過濾 51
3.2.1 基于用戶的協(xié)同過濾 51
3.2.2 基于項目的協(xié)同過濾 56
3.3 基于模型的協(xié)同過濾 68
3.3.1 基于關(guān)聯(lián)規(guī)則的協(xié)同過濾 68
3.3.2 基于矩陣分解的協(xié)同過濾 76
第4章 混合推薦系統(tǒng) 88
4.1 混合推薦系統(tǒng)分類 88
4.1.1 混合推薦系統(tǒng)的價值 88
4.1.2 混合推薦系統(tǒng)的實現(xiàn)方案 89
4.1.3 對混合推薦系統(tǒng)的思考 93
4.2 基于情景感知的推薦 95
4.2.1 情景信息的表征性方法 96
4.2.2 基于情景感知的用戶興趣模型 97
4.2.3 高級情景獲取 101
4.2.4 情景前過濾 102
4.2.5 情景后過濾 103
4.2.6 情景建模 103
4.3 基于時空信息的推薦 104
4.3.1 路線推薦 106
4.3.2 連續(xù)興趣點推薦 106
4.3.3 融合時空信息的連續(xù)興趣點推薦 107
4.3.4 停留點的檢測 109
4.3.5 相似度計算 112
4.3.6 時間序列建模 113
4.4 基于異質(zhì)信息網(wǎng)絡(luò)的推薦 115
4.4.1 異質(zhì)信息網(wǎng)絡(luò) 115
4.4.2 基于異質(zhì)信息網(wǎng)絡(luò)的推薦算法 116
4.4.3 帶權(quán)元路徑中的相似性度量 117
4.4.4 基于異質(zhì)信息網(wǎng)絡(luò)的矩陣分解 119
4.4.5 非對稱的異質(zhì)信息網(wǎng)絡(luò)推薦算法 120
第5章 深度學(xué)習(xí) 123
5.1 神經(jīng)網(wǎng)絡(luò) 124
5.1.1 人腦神經(jīng)網(wǎng)絡(luò) 124
5.1.2 人工神經(jīng)網(wǎng)絡(luò) 125
5.1.3 神經(jīng)網(wǎng)絡(luò)發(fā)展歷史 129
5.2 前饋神經(jīng)網(wǎng)絡(luò) 129
5.2.1 前饋神經(jīng)網(wǎng)絡(luò)介紹 129
5.2.2 反向傳播算法 131
5.2.3 隨機梯度下降法 133
5.2.4 優(yōu)化算法 134
5.2.5 權(quán)重初始值的合理設(shè)置 138
5.3 自編碼器 139
5.3.1 稀疏自編碼器 140
5.3.2 降噪自編碼器 141
5.3.3 堆疊自編碼器 142
5.4 深度信念網(wǎng)絡(luò) 143
5.4.1 玻爾茲曼機 143
5.4.2 受限玻爾茲曼機 145
5.4.3 深度信念網(wǎng)絡(luò)概述 148
5.5 深度生成模型 150
5.5.1 變分自編碼 151
5.5.2 對抗網(wǎng)絡(luò)的生成 155
5.6 卷積神經(jīng)網(wǎng)絡(luò) 157
5.6.1 卷積的意義 157
5.6.2 卷積神經(jīng)網(wǎng)絡(luò)組成 158
5.6.3 卷積神經(jīng)網(wǎng)絡(luò)特點 159
5.6.4 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu) 160
5.7 循環(huán)神經(jīng)網(wǎng)絡(luò) 164
5.7.1 簡單循環(huán)神經(jīng)網(wǎng)絡(luò) 165
5.7.2 基于門控的循環(huán)神經(jīng)網(wǎng)絡(luò) 167
5.7.3 深層循環(huán)神經(jīng)網(wǎng)絡(luò) 170
5.8 圖神經(jīng)網(wǎng)絡(luò) 171
5.8.1 圖結(jié)構(gòu) 171
5.8.2 圖神經(jīng)網(wǎng)絡(luò)的分類 172
5.9 強化學(xué)習(xí) 176
5.9.1 強化學(xué)習(xí)介紹 176
5.9.2 基于值函數(shù)的學(xué)習(xí)方法 183
5.9.3 基于策略函數(shù)的學(xué)習(xí)方法 188
第6章 基于深度學(xué)習(xí)的推薦系統(tǒng)應(yīng)用 190
6.1 深度學(xué)習(xí)在基于內(nèi)容的推薦系統(tǒng)中的應(yīng)用 190
6.1.1 基于多層感知機的方法 191
6.1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的方法 192
6.1.3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的方法 195
6.1.4 基于深度信念網(wǎng)絡(luò)的方法 197
6.2 深度學(xué)習(xí)在協(xié)同過濾中的應(yīng)用 197
6.2.1 基于自編碼器的協(xié)同過濾算法 198
6.2.2 基于受限玻爾茲曼機的協(xié)同過濾算法 199
6.2.3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的協(xié)同過濾算法 201
6.2.4 基于生成對抗網(wǎng)絡(luò)的協(xié)同過濾算法 203
6.2.5 基于其他深度學(xué)習(xí)模型的協(xié)同過濾算法 204
6.3 基于圖神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)的應(yīng)用 205
6.3.1 推薦系統(tǒng)概述 205
6.3.2 圖神經(jīng)網(wǎng)絡(luò)技術(shù) 206
6.3.3 基于圖神經(jīng)網(wǎng)絡(luò)的社交推薦研究 206
6.3.4 基于圖神經(jīng)網(wǎng)絡(luò)的二部圖推薦研究 209
6.3.5 基于知識圖譜的推薦研究 211
6.3.6 基于圖神經(jīng)網(wǎng)絡(luò)的序列推薦研究 213
6.4 深度學(xué)習(xí)在混合推薦系統(tǒng)中的應(yīng)用 215
6.5 基于深度強化學(xué)習(xí)的推薦系統(tǒng) 219
6.5.1 靜態(tài)場景下的強化推薦算法 220
6.5.2 動態(tài)場景下的強化推薦算法 222
6.6 基于深度學(xué)習(xí)的推薦研究發(fā)展趨勢 223
第7章 輔助學(xué)習(xí)的推薦系統(tǒng) 228
7.1 輔助學(xué)習(xí)簡介 228
7.2 國內(nèi)個性化推薦主要成就 230
7.3 基于協(xié)同過濾的學(xué)習(xí)資源個性化推薦 231
7.3.1 相關(guān)概念 231
7.3.2 實現(xiàn)步驟 232
7.3.3 個性化推薦特點 234
7.4 課程推薦系統(tǒng) 235
7.4.1 實現(xiàn)步驟 236
7.4.2 課程推薦的特點 236
7.5 評估推薦系統(tǒng)對教育的影響 238
7.6 輔助學(xué)習(xí)推薦系統(tǒng)面臨的挑戰(zhàn) 242
參考文獻 244