移动互联网信息推荐技术研究

本书以推荐系统理论为基础，以探究移动互联网环境下用户如何精确获取信息这一问题为出发点，研究面向用户个性化需求的移动互联网信息推荐技术，分别从移动用户需求获取、移动情境感知推荐、社会化推荐、群组推荐等方面对移动互联网信息推荐技术展开较为全面、深入的研究和探讨。 本书可供从事电子商务推荐系统研究、教学的相关人员，以及高等院校研究生、电子商务工作者使用，可帮助读者理解在移动互联网环境下的信息推荐方法和技术。

曹洪江，湖南双峰人，武汉理工大学经济学院副教授，博士。主要研究方向包括推荐系统、商务智能。

目录
第1章 绪论 1
1．1 移动互联网的基本概念 2
1．1．1 移动互联网的定义及特点 2
1．1．2 移动互联网推荐技术 4
1．2 移动推荐系统研究框架 10
1．3 移动推荐系统的应用 13
1．4 移动互联网信息推荐领域中的研究热点 16
参考文献 18
第2章 推荐系统理论综述 21
2．1 基于内容的推荐方法 21
2．1．1 概述 21
2．1．2 算法流程 22
2．1．3 优点与不足 26
2．2 协同过滤推荐方法 27
2．2．1 基于邻域的协同过滤推荐方法 28
2．2．2 基于模型的协同过滤推荐方法 31
2．2．3 优点与不足 33
2．3 情境感知推荐方法 34
2．3．1 概述 34
2．3．2 情境建模方法 36
2．3．3 情境感知推荐技术的分类 37
2．3．4 优点与不足 39
2．4 社会化推荐方法 40
2．4．1 概述 40
2．4．2 社会关系网络模型的构建 42
2．4．3 社会化推荐生成技术 44
2．4．4 优点与不足 47
2．5 群组推荐方法 49
2．5．1 概述 49
2．5．2 群组推荐方法的关键技术 50
2．5．3 优点与不足 52
2．6 基于深度学习的推荐方法 53
2．6．1 概述 53
2．6．2 深度学习模型 54
2．6．3 基于深度学习的推荐方法分类 57
2．6．4 优点与不足 59
2．7 大数据环境下的推荐方法 60
2．7．1 概述 60
2．7．2 大数据环境下的推荐方法中的技术 61
2．7．3 大数据环境下的推荐方法的分类 65
2．7．4 优点与不足 66
参考文献 67
第3章 移动用户需求获取 71
3．1 移动用户需求特点 72
3．2 用户需求获取技术概述 74
3．2．1 传统用户需求获取技术 74
3．2．2 移动用户需求获取技术 76
3．3 移动用户需求获取关键技术 77
3．3．1 移动用户需求获取技术框架 77
3．3．2 情境对移动用户需求的影响 79
3．3．3 移动用户需求获取的计算方法 81
3．3．4 移动用户需求动态获取及自适应更新技术 84
3．4 移动用户需求获取技术效用评价 86
3．5 有待进一步研究的问题 88
参考文献 90
第4章 移动情境感知推荐 96
4．1 情境信息概述 97
4．1．1 情境信息的概念及特点 97
4．1．2 移动情境信息的分类 98
4．2 情境信息的获取 100
4．2．1 情境信息获取的技术架构 100
4．2．2 情境信息的获取方法 101
4．3 情境信息的表示方法与建模方法 102
4．3．1 情境信息的表示方法 102
4．3．2 情境信息的建模方法 103
4．4 情境感知推荐算法 107
4．5 两种典型的改进情境感知推荐算法 112
4．5．1 基于矩阵分解的情境感知推荐算法 112
4．5．2 宽松匹配的情境感知推荐算法 114
4．6 情境感知推荐系统的效用评价 118
参考文献 119
第5章 社会化推荐 124
5．1 社会化推荐概述 125
5．1．1 社会化推荐系统的形式化定义 125
5．1．2 社会化推荐系统的基本框架 126
5．1．3 社会化网络模型的构建 127
5．1．4 社会化推荐生成技术 128
5．2 融合移动用户信任关系的协同过滤推荐算法 129
5．2．1 信任用户间的影响度计算 131
5．2．2 融合信任关系的推荐方法 135
5．3 融合用户群组关系的群组推荐方法 135
5．4 融合用户地理位置信息的协同过滤推荐方法 139
5．4．1 基于地理位置信息的用户偏好特征模型 140
5．4．2 用户间的信任度计算 142
5．4．3 基于用户地理位置信息的网络信息推荐算法 143
5．5 融合项目相似度和信任关系的推荐方法 145
参考文献 149
第6章 群组推荐 153
6．1 群组推荐概述 154
6．1．1 群组推荐的基本方法 154
6．1．2 群组的发现和群组推荐的偏好融合策略 155
6．2 偏好融合的方法 157
6．3 群组特征对偏好融合算法的影响 160
6．4 群组推荐系统的效用评价 161
6．5 基于项目评分和特征的群组推荐方法 163
6．5．1 构建用户偏好模型 164
6．5．2 构建群组偏好模型 166
6．5．3 群组相似度计算 167
6．5．4 群组推荐算法 168
参考文献 170