基於機器學習的個性化推薦算法及應用

劉超慧：鄭州航空工業管理學院智能工程學院創新實踐中心主任，主要研究方向為信息系統開發、機器學習和資源推薦。從事《程序設計基礎》、《高級語言程序設計》、《Python語言程序設計》、《程序設計綜合實踐》等課程的教學工作。

 

李玲玲：教授，博士後，鄭州航空工業管理學院科技處處長，多模信息感知計算河南省工程實驗室主任，河南省航空物流大數據應用技術服務工程研究中心主任。

第 1章 概述

1.1 研究背景與意義

1.1.1 研究背景

1.1.2 研究意義

1.2 問題與挑戰

1.2.1 信息過載

1.2.2 長尾效應

1.2.3 隱私保護

1.3 本書的組織架構

 

第 2章 機器學習的相關理論

2.1 機器學習

2.1.1 機器學習的概念

2.1.2 機器學習的分類

2.1.3 機器學習的工作流程

2.2 推薦系統

2.2.1 推薦系統概述

2.2.2 推薦系統的形式化定義

2.3 用戶畫像

2.3.1 用戶畫像概述

2.3.2 用戶畫像信息來源

2.3.3 用戶畫像建模

2.4 人工神經網絡

2.4.1 人工神經網絡模型原理

2.4.2 典型的人工神經網絡

2.5 小結

 

第3章 個性化推薦算法的相關理論

3.1 個性化推薦系統的應用

3.1.1 電子商務

3.1.2 音/視頻服務

3.1.3 社交服務

3.1.4 基於位置的服務

3.1.5 旅行服務

3.2 推薦算法的分類

3.2.1 基於內容的推薦

3.2.2 協同過濾推薦

3.2.3 基於知識的推薦

3.2.4 混合推薦

3.2.5 推薦算法比較

3.3 推薦系統評價

3.3.1 評價方法

3.3.2 準確度指標

3.3.3 多樣性指標

3.4 推薦系統存在的問題

3.4.1 數據稀疏性

3.4.2 冷啟動

3.4.3 可擴展性

3.4.4 用戶興趣漂移

3.5 小結

 

第4章 基於三維項集矩陣和向量的頻繁項集挖掘算法

4.1 概述

4.2 理論基礎

4.2.1 關聯規則挖掘理論

4.2.2 Apriori 算法

4.3 基於三維項集矩陣和向量的頻繁項集挖掘算法詳解

4.3.1 相關定義

4.3.2 算法說明

4.3.3 基於三維項集矩陣和向量的更新策略

4.4 實驗結果分析

4.4.1 實驗數據集

4.4.2 結果分析

4.5 小結

 

第5章 融合懲罰因子和時間權重的協同過濾算法

5.1 概述

5.2 理論基礎

5.2.1 歐幾裏得相似度

5.2.2 餘弦相似度

5.2.3 修正餘弦相似度

5.2.4 皮爾遜相似度

5.2.5 傑卡德相似度

5.2.6 組合KNN 推薦算法

5.3 融合懲罰因子和時間權重的協同過濾算法詳解

5.3.1 熱門物品與用戶評分習慣維度

5.3.2 用戶評分時間維度

5.3.3 改進相似度及加權預測評分

5.3.4 算法說明

5.4 實驗結題與分析

5.4.1 實驗數據集

5.4.2 結果分析

5.5 小結

 

第6章 基於用戶屬性和項目評分的協同過濾算法

6.1 概述

6.2 基於用戶屬性和項目評分的協同過濾算法詳解

6.2.1 相關概念

6.2.2 基於項目評分的相似度計算

6.2.3 基於用戶屬性的相似度計算

6.2.4 算法說明

6.3 實驗與結果分析

6.3.1 實驗數據集

6.3.2 結果分析

6.4 小結

 

第7章 個性化圖書推薦原型系統

7.1 概述

7.2 系統設計

7.2.1 系統架構設計

7.2.2 系統功能設計

7.2.3 數據庫設計

7.3 系統實現及關鍵技術

7.3.1 開發環境

7.3.2 系統流程

7.3.3 關鍵技術

7.4 系統使用說明

7.4.1 熱門圖書模塊

7.4.2 圖書分類模塊

7.4.3 個性化圖書推薦模塊

7.4.4 圖書評價模塊

7.4.5 用戶評分歷史模塊

7.5 小結

 

第8章 總結與展望

8.1 研究總結

8.2 研究展望

參考文獻