机器学习算法实践 推荐系统的协同过滤理论及其应用2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

机器学习算法实践 推荐系统的协同过滤理论及其应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一篇 基础理论3

第1章 理论入门3

1.1 引言3

1.2 推荐系统的形式化定义4

1.3 基于近邻的协同过滤推荐算法6

1.3.1 余弦相似度6

1.3.2 修正余弦相似度6

1.3.3 Pearson相似度6

1.3.4 Jaccard相似度6

1.4 基于用户兴趣的推荐算法7

1.5 基于模型的协同过滤推荐算法8

1.5.1 矩阵分解模型8

1.5.2 交替最小二乘10

1.5.3 概率矩阵分解10

1.5.4 非负矩阵分解11

1.6 基于信任的协同过滤推荐算法12

1.7 推荐系统现存问题14

1.7.1 冷启动14

1.7.2 数据稀疏性14

1.7.3 可扩展性14

1.7.4 用户兴趣漂移15

1.8 评测指标15

本章小结16

参考文献16

第二篇 基于时序的协同过滤推荐算法23

第2章 基于巴式系数改进相似度的协同过滤推荐算法23

2.1 引言23

2.2 相关工作24

2.2.1 余弦相似度24

2.2.2 调整余弦相似度25

2.2.3 Pearson相关系数25

2.2.4 Jaccard相似度25

2.3 一种巴氏系数改进相似度的协同过滤推荐算法26

2.3.1 巴氏系数26

2.3.2 巴氏系数相似度27

2.3.3 BCCF算法描述28

2.4 实验与分析28

2.4.1 数据集28

2.4.2 评价标准29

2.4.3 实验结果与分析29

本章小结32

参考文献32

第3章 基于用户兴趣和项目属性的协同过滤推荐算法35

3.1 引言35

3.2 相关工作36

3.3 基于用户兴趣和项目属性的协同过滤推荐算法37

3.3.1 基于时间的用户兴趣度权重37

3.3.2 改进相似度计算38

3.3.3 加权预测评分38

3.3.4 算法步骤39

3.4 实验结果与分析39

3.4.1 数据集39

3.4.2 评价标准40

3.4.3 结果分析40

本章小结42

参考文献42

第三篇 基于矩阵分解的协同过滤推荐算法47

第4章 SVD和信任因子相结合的协同过滤推荐算法47

4.1 引言47

4.2 标注和相关工作48

4.2.1 标注48

4.2.2 奇异值分解48

4.2.3 计算相似度49

4.3 SVD和信任因子相结合的协同过滤推荐算法49

4.3.1 项目特征空间50

4.3.2 两阶段k近邻选择50

4.3.3 信任因子50

4.3.4 预测评分51

4.3.5 算法51

4.4 实验结果与分析52

4.4.1 数据集和实验环境52

4.4.2 评价标准52

4.4.3 实验结果分析52

本章小结56

参考文献56

第5章 相似度填充的概率矩阵分解的协同过滤推荐算法58

5.1 引言58

5.2 相关工作59

5.2.1 协同过滤推荐算法59

5.2.2 概率矩阵分解技术60

5.3 CF-PFCF算法62

5.3.1 算法设计思想62

5.3.2 CF-PFCF算法的描述64

5.4 实验分析65

5.4.1 数据集与误差标准65

5.4.2 实验结果与性能比较66

本章小结68

参考文献68

第6章 基于偏置信息的改进概率矩阵分解算法研究70

6.1 引言70

6.2 相关工作71

6.2.1 矩阵分解模型71

6.2.2 Baseline预测74

6.3 算法流程75

6.4 实验分析76

6.4.1 实验所用数据集77

6.4.2 实验环境配置77

6.4.3 实验评价标准77

6.4.4 实验结果及分析77

本章小结81

参考文献82

第7章 基于项目属性改进概率矩阵分解算法84

7.1 引言84

7.2 IAR-BP算法85

7.2.1 相似度度量85

7.2.2 算法描述86

7.2.3 算法复杂度分析90

7.3 实验结果对比分析90

7.3.1 实验数据集90

7.3.2 实验评价标准90

7.3.3 对比实验配置及说明91

7.3.4 实验参数分析91

7.3.5 实验对比94

本章小结96

参考文献96

第8章 基于交替最小二乘的改进概率矩阵分解算法98

8.1 引言98

8.2 交替最小二乘98

8.3 Baseline预测99

8.4 IPMF算法100

8.4.1 算法改进思想100

8.4.2 算法流程100

8.4.3 复杂度分析102

8.5 实验结果分析102

8.5.1 对比实验设定102

8.5.2 实验分析103

本章小结107

参考文献108

第9章 基于社交网络的改进概率矩阵分解算法研究110

9.1 引言110

9.2 相关工作112

9.2.1 推荐系统的形式化112

9.2.2 矩阵分解与推荐系统113

9.3 概率矩阵分解113

9.4 主要研究内容114

9.4.1 基于社交网络的改进概率矩阵分解114

9.4.2 算法流程117

9.4.3 算法复杂度分析118

9.5 实验分析118

9.5.1 实验数据集118

9.5.2 实验评价标准119

9.5.3 对比算法119

9.5.4 潜在因子维度的影响120

9.5.5 偏置的影响120

9.5.6 信任因子的影响121

9.5.7 对比实验分析124

本章小结126

参考文献126

第10章 带偏置的非负矩阵分解推荐算法129

10.1 引言129

10.2 相关工作130

10.2.1 矩阵分解130

10.2.2 奇异值矩阵130

10.2.3 Baseline预测131

10.2.4 NMF算法132

10.3 RBNMF算法132

10.3.1 理论分析132

10.3.2 RBNMF算法流程134

10.4 实验分析135

10.4.1 数据集135

10.4.2 评价标准136

10.4.3 实验结果及分析136

本章小结141

参考文献141

第11章 基于项目热度的协同过滤推荐算法144

11.1 引言144

11.2 非负矩阵分解145

11.3 两阶段近邻选择146

11.3.1 两阶段k近邻选择146

11.3.2 项目“热度”和局部信任146

11.3.3 预测评分146

11.4 算法描述146

11.5 实验结果分析147

11.5.1 不同策略下相似度的分布147

11.5.2 两种因素的分布与分析147

11.5.3 实验结果及分析148

本章小结149

参考文献149

第四篇 基于信任的协同过滤推荐算法155

第12章 带偏置的专家信任推荐算法155

12.1 引言155

12.2 相关工作156

12.2.1 专家算法156

12.2.2 生成推荐值156

12.2.3 Baseline预测157

12.3 改进专家算法158

12.3.1 改进专家信任158

12.3.2 评分形成159

12.3.3 算法描述160

12.4 实验结果与分析160

12.4.1 数据集160

12.4.2 评估标准160

12.4.3 实验结果及分析161

本章小结166

参考文献166

第13章 一种改进专家信任的协同过滤推荐算法168

13.1 引言168

13.2 标注与相关工作169

13.2.1 标注169

13.2.2 近邻模型170

13.2.3 专家算法170

13.3 改进专家算法171

13.3.1 重要概念172

13.3.2 评分形成173

13.3.3 算法描述174

13.4 实验结果与分析174

13.4.1 数据集174

13.4.2 评估标准175

13.4.3 实验结果与分析175

本章小结179

参考文献179

第五篇 原型系统开发183

第14章 电影推荐原型系统183

14.1 引言183

14.2 主要功能183

14.3 关键技术184

14.3.1 概率矩阵分解模型184

14.3.2 社交网络正则化184

14.4 集群搭建185

14.4.1 集群软硬件环境185

14.4.2 Spark集群186

14.4.3 HBase集群186

14.5 系统特点187

14.6 用户使用说明188

14.6.1 系统简介界面188

14.6.2 建模一和建模二界面188

14.6.3 集群界面189

14.6.4 看过的电影界面190

14.6.5 推荐电影界面191

14.6.6 统计分析界面191

参考文献192