文章目录

• 第一章
• • 1.1推荐系统意义与价值
  • 1.2推荐系统历史与框架
  • 1.3推荐算法分类
• 第二章
• • 2.1协同过滤的基本思想与分类
  • 2.2基于用户的协同过滤
  • 2.3基于项目的协同过滤
  • 2.4基于邻域的评分预测
  • 2.5基于二部图的协同过滤
• 第三章
• • 3.1基于关联规则的推荐
  • 3.2基于矩阵分解的评分预测
  • 3.3概率矩阵分解框架
  • 3.4基于矩阵分解的Top-N推荐
• 第四章
• • 4.1基于内容推荐的系统框架
  • 4.2向量空间模型
  • 4.3基于语义的内容相似度
• 第五章
• • 5.1基于约束的推荐
  • 5.2基于效用的推荐
• 第六章
• • 6.1混合推荐简介
  • 6.2理论依据与方法分类
  • 6.3并行式混合推荐
  • 6.4串行式混合推荐
  • 6.5整体式混合推荐
• 第七章
• • 7.1评测视角与实验方法
  • 7.2评分预测评价指标
  • 7.3 Top-N推荐评价指标
  • 7.4公开实验数据集

第一章

1.1推荐系统意义与价值

略

1.2推荐系统历史与框架

1.3推荐算法分类

下面介绍基于算法思想的算法

相同人口过多，效果不好

推荐结果过于线性，用户的喜好会随着时间以及其他一些因素改变，推荐效果不好

会发觉除新的物品c来推荐，效果较好，但是此类算法依赖历史条件信息，对于新注册的用户效果不好，即冷启动问题，如下

依赖于专业知识，效果不好

下面介绍基于应用问题的推荐算法

第二章

2.1协同过滤的基本思想与分类

2.2基于用户的协同过滤

例题：




从推荐系统角度来看

2.3基于项目的协同过滤

2.4基于邻域的评分预测

2.5基于二部图的协同过滤

第三章

3.1基于关联规则的推荐

3.2基于矩阵分解的评分预测

3.3概率矩阵分解框架

3.4基于矩阵分解的Top-N推荐

第四章

4.1基于内容推荐的系统框架

4.2向量空间模型

4.3基于语义的内容相似度

第五章

5.1基于约束的推荐

5.2基于效用的推荐

第六章

6.1混合推荐简介

6.2理论依据与方法分类

6.3并行式混合推荐

6.4串行式混合推荐

6.5整体式混合推荐

第七章

7.1评测视角与实验方法

7.2评分预测评价指标

7.3 Top-N推荐评价指标

7.4公开实验数据集