<內容簡介>

《推薦系統》全面闡述了開發先進推薦系統的方法，其中呈現了許多經典算法，並討論瞭如何衡量推薦系統的有效性。書中內容分為基本概念和新進展兩部分：前者涉及協同推薦、基於內容的推薦、基於知識的推薦、混合推薦方法，推薦系統的解釋、評估推薦系統和實例分析；後者包括針對推薦系統的攻擊、在線消費決策、推薦系統和下一代因特網以及普適環境中的推薦。此外，本書還包含大量的圖、表和示例，有助於讀者理解和把握相關知識。
《推薦系統》適用於從事搜索引擎、推薦算法、數據挖掘等研發工作的專業人員以及對推薦系統感興趣的讀者。

<作者簡介>

Dietmar Jannach，德國的多特蒙德工業大學（Technische Universit?t Dortmund）電腦科學系客座教授。他發表過一百多篇科學論文，是《應用智能》雜志編委會和《國際電子商務雜志》評審委員會成員。

Markus Zanker，是奧地利克拉根福阿爾卑斯-亞德里大學（Alpen-Adria Universit?t Klagenfurt）應用信息學系助理教授及信息管理研究項目主任。他還是《人機交互研究國際雜志》的副主編和　 ConfigWorks GmbH的共同創始人及執行總監。

Alexander Felfernig，奧地利格拉茨工業大學（Technische Universit?t Graz）教授。他在推薦及配置系統方面的研究成果榮獲2009年度的Heinz Zemanek獎。他發表過130多篇科學論文，是《國際電子商務雜志》的評審委員會成員，ConfigWorks GmbH的共同創始人。

Gerhard Friedrich，奧地利克拉根福阿爾卑斯-亞德里大學客座教授，應用信息學院院長，智能系統和商業信息課題組組長。《人工智能通信》的編輯，《大規模定製國際雜志》的副主編。


<目錄>

第1章　引言
1.1　 第一部分：基本概念
1.1.1　 協同過濾推薦
1.1.2　 基於內容的推薦
1.1.3　 基於知識的推薦
1.1.4　 混合推薦方法
1.1.5　 推薦系統的解釋
1.1.6　 評估推薦系統
1.1.7　 案例研究
1.2　 第二部分：最新進展


第一部分　基本概念
第2章　協同過濾推薦
2.1　 基於用戶的最近鄰推薦
2.1.1　 第一個例子
2.1.2　 更好的相似度和賦權體系
2.1.3　 選擇近鄰
2.2　 基於物品的最近鄰推薦
2.2.1　 餘弦相似度度量
2.2.2　 基於物品過濾的數據預處理
2.3　 關於評分
2.3.1　 隱式和顯式評分
2.3.2　 數據稀疏和冷啟動問題
2.4　 更多基於模型和預處理的方法
2.4.1　 矩陣因子分解
2.4.2　 關聯規則挖掘
2.4.3　 基於概率分析的推薦方法
2.5　 近來實際的方法和系統
2.5.1　 Slope One預測器
2.5.2　 Google新聞個性化推薦引擎
2.6　 討論和小結
2.7　 書目註釋


第3章　基於內容的推薦
3.1　 內容表示和相似度
3.1.1　 向量空間模型和TF-IDF
3.1.2　 向量空間模型的改進及局限
3.2　 基於內容相似度檢索
3.2.1　 最近鄰
3.2.2　 相關性反饋--Rocchio方法
3.3　 其他文本分類方法
3.3.1　 基於概率模型的方法
3.3.2　 其他線性分類器和機器學習
3.3.3　 顯式決策模型
3.3.4　 特徵選擇
3.4　 討論
3.4.1　 對比評估
3.4.2　 局限
3.5　 小結
3.6　 書目註釋


第4章　基於知識的推薦
4.1　 介紹
4.2　 知識表示法和推理
4.2.1　 約束
4.2.2　 實例與相似度
4.3　 與基於約束推薦系統交互
4.3.1　 默認設置
4.3.2　 處理不滿意的需求和空結果集
4.3.3　 提出對未滿足需求的修改建議
4.3.4　 對基於物品/效用推薦結果的排序
4.4　 與基於實例的推薦系統交互
4.4.1　 評價
4.4.2　 混合評價
4.4.3　 動態評價
4.4.4　 高級的物品推薦方法
4.4.5　 評價多樣性
4.5　 應用實例
4.5.1　 VITA--基於約束的推薦系統
4.5.2　 Entree--基於實例的推薦系統
4.6　 書目註釋


第5章　混合推薦方法
5.1　 混合推薦的時機
5.1.1　 推薦理論框架
5.1.2　 混合設計