Recommender Systems: The Textbook

ویرایش: 1 
نویسندگان: Charu C. Aggarwal (auth.)  
سری:  
ISBN (شابک) : 9783319296579, 9783319296593 
ناشر: Springer International Publishing 
سال نشر: 2016 
تعداد صفحات: 518 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 10 مگابایت 

قیمت کتاب (تومان) : 59,000



این کتاب به طور جامع موضوع سیستم‌های توصیه‌گر را پوشش می‌دهد که بر اساس جستجوها یا خریدهای قبلی، توصیه‌های شخصی محصولات یا خدمات را به کاربران ارائه می‌دهد. روش‌های سیستم توصیه‌کننده برای برنامه‌های کاربردی متنوعی از جمله استخراج گزارش جستجو، شبکه‌های اجتماعی، توصیه‌های خبری و تبلیغات محاسباتی تطبیق داده شده‌اند. این کتاب موضوعات اساسی و پیشرفته یک حوزه تحقیقاتی را که اکنون به بلوغ رسیده است ترکیب می کند. فصل‌های این کتاب در سه دسته سازمان‌دهی شده‌اند:

- الگوریتم‌ها و ارزیابی: این فصل‌ها به الگوریتم‌های اساسی در سیستم‌های توصیه‌گر، از جمله روش‌های فیلتر مشارکتی، روش‌های مبتنی بر محتوا، روش‌های دانش‌محور، مجموعه‌ای می‌پردازند. روش‌های مبتنی بر و ارزیابی.

- توصیه‌هایی در حوزه‌ها و زمینه‌های خاص: زمینه یک توصیه می‌تواند به عنوان اطلاعات جانبی مهمی در نظر گرفته شود که بر اهداف توصیه تأثیر می‌گذارد. انواع مختلف زمینه مانند داده‌های زمانی، داده‌های مکانی، داده‌های اجتماعی، داده‌های برچسب‌گذاری و قابلیت اطمینان بررسی می‌شوند.

- موضوعات و برنامه‌های پیشرفته: جنبه‌های مختلف استحکام سیستم‌های توصیه‌گر، مانند سیستم‌های شیلینگ، مدل‌های حمله، و دفاعیات آنها مورد بحث قرار می‌گیرد.

علاوه بر این، موضوعات اخیر مانند یادگیری رتبه‌بندی، راهزنان چند مسلح، سیستم‌های گروهی، سیستم‌های چند معیاره و سیستم‌های یادگیری فعال ، همراه با برنامه های کاربردی معرفی شده اند.

اگرچه این کتاب در درجه اول به عنوان یک کتاب درسی عمل می کند، اما به دلیل تمرکز بر کاربردها و مراجع، برای متخصصان و محققان صنعتی نیز جذاب خواهد بود. مثال‌ها و تمرین‌های متعددی ارائه شده است و راهنمای راه‌حل برای مربیان در دسترس است.

This book comprehensively covers the topic of recommender systems, which provide personalized recommendations of products or services to users based on their previous searches or purchases. Recommender system methods have been adapted to diverse applications including query log mining, social networking, news recommendations, and computational advertising. This book synthesizes both fundamental and advanced topics of a research area that has now reached maturity. The chapters of this book are organized into three categories:

- Algorithms and evaluation: These chapters discuss the fundamental algorithms in recommender systems, including collaborative filtering methods, content-based methods, knowledge-based methods, ensemble-based methods, and evaluation.

- Recommendations in specific domains and contexts: the context of a recommendation can be viewed as important side information that affects the recommendation goals. Different types of context such as temporal data, spatial data, social data, tagging data, and trustworthiness are explored.

- Advanced topics and applications: Various robustness aspects of recommender systems, such as shilling systems, attack models, and their defenses are discussed.

In addition, recent topics, such as learning to rank, multi-armed bandits, group systems, multi-criteria systems, and active learning systems, are introduced together with applications.

Although this book primarily serves as a textbook, it will also appeal to industrial practitioners and researchers due to its focus on applications and references. Numerous examples and exercises have been provided, and a solution manual is available for instructors.

Front Matter....Pages i-xxi
An Introduction to Recommender Systems....Pages 1-28
Neighborhood-Based Collaborative Filtering....Pages 29-70
Model-Based Collaborative Filtering....Pages 71-138
Content-Based Recommender Systems....Pages 139-166
Knowledge-Based Recommender Systems....Pages 167-197
Ensemble-Based and Hybrid Recommender Systems....Pages 199-224
Evaluating Recommender Systems....Pages 225-254
Context-Sensitive Recommender Systems....Pages 255-281
Time- and Location-Sensitive Recommender Systems....Pages 283-308
Structural Recommendations in Networks....Pages 309-344
Social and Trust-Centric Recommender Systems....Pages 345-384
Attack-Resistant Recommender Systems....Pages 385-410
Advanced Topics in Recommender Systems....Pages 411-448
Back Matter....Pages 449-498