编辑推荐
深入个性化推荐专题研究领域的阶梯，进入交叉学科的桥梁，启迪研发创新的源泉。
内容简介
个性化推荐技术已经成为互联网应用的基础技术之一，它广泛应用于电子商务、搜索引擎、社会网络、新闻阅读等互联网服务中，成为用户获得信息的重要途径之一。
本文以个性化推荐的可解释性为主题，在数据、模型和经济效益三个层面上展开探讨。在数据上，个性化推荐的评分矩阵可以等价描述为用户——物品二部图上的社区发现结构；在模型上，个性化算法可以给出与推荐模型紧密相关的个性化推荐理由；在经济效益上，个性化推荐可以作为互联网商品服务资源分配的基本手段，实现互联网社会福利的最大化，从而提高互联网经济系统的效益。
作者简介
章节目录
版权信息
内容简介
一流博士生教育体现一流大学人才培养的高度 （代丛书序）
丛书序二
导师序言
摘要
Abstract
主要符号对照表
第1章 引言
1.1 研究背景
1.2 问题的提出
1.3 面临的主要挑战
1.4 主要贡献
第2章 研究现状与相关工作
2.1 个性化推荐
2.1.1 基于内容的推荐
2.1.2 基于协同过滤的推荐
2.1.3 混合型推荐系统
2.2 矩阵分解
2.3 推荐的可解释性
2.4 文本情感分析
2.5 本章小结
第3章 数据的可解释性
3.1 矩阵的群组结构
3.1.1 概述
3.1.2 相关工作
3.1.3 双边块对角矩阵及其性质
3.1.4 矩阵的双边块对角化算法
3.1.5 基于块对角阵的协同过滤
3.2 局部化矩阵分解算法
3.2.1 概述
3.2.2 相关工作
3.2.3 双边块对角矩阵的分解性质
3.2.4 近似矩阵分解算法及其可拆分性质
3.2.5 局部化矩阵分解框架
3.2.6 平衡矩阵块对角化算法
3.3 性能评测
3.3.1 双边块对角矩阵与群组结构的定性研究
3.3.2 局部化矩阵分解算法性能及预测精度
3.4 本章小结
第4章 模型的可解释性
4.1 显式变量分解模型
4.1.1 概述
4.1.2 相关工作
4.1.3 基于用户评论的情感词典构建
4.1.4 显式变量分解模型及其可解释性
4.1.5 推荐列表的构建
4.1.6 属性级个性化推荐理由的构建
4.2 动态化时序推荐模型
4.2.1 概述
4.2.2 相关工作
4.2.3 用户偏好的时序性质
4.2.4 属性词流行度的动态预测
4.2.5 基于条件机会估计的时序推荐模型
4.3 性能评测
4.3.1 基于显式变量模型的可解释性推荐评测
4.3.2 基于浏览器的真实用户线上评测
4.3.3 基于属性词流行度的动态推荐评测
4.4 本章小结
第5章 推荐的经济学解释
5.1 互联网福利的最大化
5.1.1 概述
5.1.2 相关工作
5.1.3 互联网成本效用与福利
5.1.4 基于福利最大化的个性化推荐框架
5.2 典型网络平台中的福利最大化
5.2.1 电子商务网站
5.2.2 P2P网络贷款
5.2.3 在线众包平台
5.2.4 小结与讨论
5.3 性能评测
5.3.1 电子商务网站
5.3.2 P2P网络贷款
5.3.3 在线自由职业与众包平台
5.4 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
参考文献
在学期间发表的学术论文
致谢
个性化推荐的可解释性研究是2019年由清华大学出版社出版,作者张永锋。
得书感谢您对《个性化推荐的可解释性研究》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
