1、机器学习算法实践推荐系统的协同过滤理论及其应用王建芳署图分7藏书转园前清苇大多出版社北内容简介个性化推荐能够根据用户的历史行为显式或者隐式地挖掘用户潜在的兴趣和需求，并为其推送个性化信息，因此受到研究者的追捧及工业界的青睐，其研究具有重大的学术价值及商业应用价值，已广泛应用于大型电子商务平台、社交平台、新闻客户端以及其他各类旅游和娱乐类网站中。本书内容丰富，较全面地介绍了基于协同过滤的推荐系统存在的问题、解决方法和评估策略，主要内容涉及协同过滤推荐算法中的时序技术、矩阵分解技术和社交网络信任技术等知识。本书可供从事推荐系统、人工智能、机器学习、模式识别和信息检索等领域的科研人员及研究生阅读、参
2、考。本书封面贴有清华大学出版社防伪标签，无标签者不得销售。版权所有，侵权必究。侵权举报电话：010-6278298913701121933图书在版编目(CIP)数据机器学习算法实践：推荐系统的协同过滤理论及其应用/王建芳著.一北京：清华大学出版社，2018ISBN978-7-302-50783-31.机.王.机器学习一算法.TP181中国版本图书馆CIP数据核字(2018)第178631号责任编辑：曾珊封面设计：常雪影责任校对：焦丽丽责任印制：李红英出版发行：清华大学出版社网址：http:/,http:/地址：北京清华大学学研大厦A座邮编：100084社总机：010-62770175邮购：01
3、0-62786544投稿与读者服务：010-62776969，c-service(质量反馈：010-62772015，课件下载：http:/,010-62795954印装者：三河市国英印务有限公司经销：全国新华书店开本：170mm240mm印张：13字数：270千字饭次：2018年11月第1版印次：2018年11月第1次印刷定价：69.00元产品编号：080054-01机器学习算法实践一推荐系统的协同过滤理论及其应用包括第2章和第3章，主题是围绕基于时序的协同过滤推荐算法展开研究。在推荐系统中随着时间的推移，用户的关注点在不断变化，如何捕获这一动态的时间效应是个难题。本篇针对基于时序的协同过滤
4、推荐算法展开研究。第三篇包括第411章，主题是围绕基于矩阵分解的协同过滤推荐算法展开研究。矩阵分解模型能够基于用户的行为对用户和项目进行自动分析，也就是把用户和项目划分到不同主题，这些主题可以理解为用户的兴趣和项目属性。本篇针对SVD、概率矩阵分解、非负矩阵分解及其与相关算法的整合分别提出相关的理论。第四篇包括第12章和第13章，主题是围绕协同过滤推荐算法与社交网络的信任展开研究，将用户的评分信息和用户的社交网络信息融入传统的矩阵分解中以提高推荐质量。第五篇包括第14章，从实际应用的角度用Spark实现一个基于矩阵分解的推荐原型系统。在本书的撰写过程中，已毕业的硕士研究生张朋飞、李骁、武文琪以及在读研究生谷振鹏、刘冉东、苗艳玲等对书稿内容和相关实验提供了大量的帮助，在此向他们表示衷心的感谢。本书的出版得到河南省高等学校重点科研项目（项目编号：15A520074)和河南理工大学博士基金的支持，在此一并表示感谢。推荐系统所涉及的算法，尤其是协同过滤推荐算法是一个快速发展、多学科交叉的新颖研究方法，其理论及应用均有大量的问题尚待进一步深入研究。由于作者知识水平和资料获取方面的限制，书中不妥之处在所难免，敬请同行专家和读者批评指正。作者2018年5月