王建芳，博士，副教授，硕士研究生导师，现任河南理工大学ACM／ICPC总教练；主要从事人工智能、数据挖掘和智能计算算法等方向的研究工作，具有丰富的系统研究开发经验和扎实的理论基础知识。长期指导学生参加各种程序算法设计类竞赛，并多次获得省级及以上奖励；曾多次获得相关赛事的“优秀指导教师”称号。

第一篇 基 础 理 论
第1章 理论入门
1.1 引言
1.2 推荐系统的形式化定义
1.3 基于近邻的协同过滤推荐算法
1.3.1 余弦相似度
1.3.2 修正余弦相似度
1.3.3 Pearson相似度
1.3.4 Jaccard相似度
1.4 基于用户兴趣的推荐算法
1.5 基于模型的协同过滤推荐算法
1.5.1 矩阵分解模型
1.5.2 交替最小二乘
1.5.3 概率矩阵分解
1.5.4 非负矩阵分解
1.6 基于信任的协同过滤推荐算法
1.7 推荐系统现存问题
1.7.1 冷启动
1.7.2 数据稀疏性
1.7.3 可扩展性
1.7.4 用户兴趣漂移
1.8 评测指标
本章小结
参考文献
第二篇 基于时序的协同过滤推荐算法
第2章 基于巴式系数改进相似度的协同过滤推荐算法
2.1 引言
2.2 相关工作
2.2.1 余弦相似度
2.2.2 调整余弦相似度
2.2.3 Pearson相关系数
2.2.4 Jaccard相似度
2.3 一种巴氏系数改进相似度的协同过滤推荐算法
2.3.1 巴氏系数
2.3.2 巴氏系数相似度
2.3.3 BCCF算法描述
2.4 实验与分析
2.4.1 数据集
2.4.2 评价标准
2.4.3 实验结果与分析
本章小结
参考文献
第3章 基于用户兴趣和项目属性的协同过滤推荐算法
3.1 引言
3.2 相关工作
3.3 基于用户兴趣和项目属性的协同过滤推荐算法
3.3.1 基于时间的用户兴趣度权重
3.3.2 改进相似度计算
3.3.3 加权预测评分
3.3.4 算法步骤
3.4 实验结果与分析
3.4.1 数据集
3.4.2 评价标准
3.4.3 结果分析
本章小结
参考文献
第三篇 基于矩阵分解的协同过滤推荐算法
第4章 SVD和信任因子相结合的协同过滤推荐算法
4.1 引言
4.2 标注和相关工作
4.2.1 标注
4.2.2 奇异值分解
4.2.3 计算相似度
4.3 SVD和信任因子相结合的协同过滤推荐算法
4.3.1 项目特征空间
4.3.2 两阶段k近邻选择
4.3.3 信任因子
4.3.4 预测评分
4.3.5 算法
4.4 实验结果与分析
4.4.1 数据集和实验环境
4.4.2 评价标准
4.4.3 实验结果分析
本章小结
参考文献
第5章 相似度填充的概率矩阵分解的协同过滤推荐算法
5.1 引言
5.2 相关工作
5.2.1 协同过滤推荐算法
5.2.2 概率矩阵分解技术
5.3 CFPFCF算法
5.3.1 算法设计思想
5.3.2 CFPFCF算法的描述
5.4 实验分析
5.4.1 数据集与误差标准
5.4.2 实验结果与性能比较
本章小结
参考文献
第6章 基于偏置信息的改进概率矩阵分解算法研究
6.1 引言
6.2 相关工作
6.2.1 矩阵分解模型
6.2.2 Baseline预测
6.3 算法流程
6.4 实验分析
6.4.1 实验所用数据集
6.4.2 实验环境配置
6.4.3 实验评价标准
6.4.4 实验结果及分析
本章小结
参考文献
第7章 基于项目属性改进概率矩阵分解算法
7.1 引言
7.2 IARBP算法
7.2.1 相似度度量
7.2.2 算法描述
7.2.3 算法复杂度分析
7.3 实验结果对比分析
7.3.1 实验数据集
7.3.2 实验评价标准
7.3.3 对比实验配置及说明
7.3.4 实验参数分析
7.3.5 实验对比
本章小结
参考文献
第8章 基于交替最小二乘的改进概率矩阵分解算法
8.1 引言
8.2 交替最小二乘
8.3 Baseline预测
8.4 IPMF算法
8.4.1 算法改进思想
8.4.2 算法流程
8.4.3 复杂度分析
8.5 实验结果分析
8.5.1 对比实验设定
8.5.2 实验分析
本章小结
参考文献
第9章 基于社交网络的改进概率矩阵分解算法研究
9.1 引言
9.2 相关工作
9.2.1 推荐系统的形式化
9.2.2 矩阵分解与推荐系统
9.3 概率矩阵分解
9.4 主要研究内容
9.4.1 基于社交网络的改进概率矩阵分解
9.4.2 算法流程
9.4.3 算法复杂度分析
9.5 实验分析
9.5.1 实验数据集
9.5.2 实验评价标准
9.5.3 对比算法
9.5.4 潜在因子维度的影响
9.5.5 偏置的影响
9.5.6 信任因子的影响
9.5.7 对比实验分析
本章小结
参考文献
第10章 带偏置的非负矩阵分解推荐算法
10.1 引言
10.2 相关工作
10.2.1 矩阵分解
10.2.2 奇异值矩阵
10.2.3 Baseline预测
10.2.4 NMF算法
10.3 RBNMF算法
10.3.1 理论分析
10.3.2 RBNMF算法流程
10.4 实验分析
10.4.1 数据集
10.4.2 评价标准
10.4.3 实验结果及分析
本章小结
参考文献
第11章 基于项目热度的协同过滤推荐算法
11.1 引言
11.2 非负矩阵分解
11.3 两阶段近邻选择
11.3.1 两阶段k近邻选择

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。
王建芳著的《机器学习算法实践(推荐系统的协同过滤理论及其应用)》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、参考。