本书以互联网应用为背景，以情景感知推荐系统中的个性化推荐为对象，主要研究情景感知与信息融合的推荐方法。在分析不同情景对不同用户兴趣偏好的影响时，提出了有效情景检测方法和情景化用户建模框架；深入分析时间情景对用户项目选择的影响，提出多维时间情景感知的MTAFM模型以实现项目推荐；针对社交网络中多种情景信息，提出多源情景感知与融合的好友推荐方法；从基于项目的预评分、基于用户的预评分和基于相似用户相似项目的预评分三方面视角，提出基于多源评分融合的协同优化推荐方法。对每一种模型和方法，均在相应的数据集上进行了实验，以验证它们的有效性。
本书可供计算机相关专业研究人员、工程技术人员、从业人员等阅读参考。

前言
第1章 绪论
1.1 研究背景
1.2 研究意义
1.2.1 理论意义
1.2.2 应用价值
1.3 国内外研究概况
1.3.1 传统的个性化推荐
1.3.2 情景感知的个性化推荐
1.3.3 好友推荐
1.4 研究挑战与问题分析
1.5 主要研究内容
1.5.1 有效情景检测与情景化用户建模
1.5.2 多维时间情景感知的项目推荐
1.5.3 多源情景感知与信息融合的好友推荐
1.5.4 多源评分融合的协同过滤优化推荐
第2章 有效情景检测与情景化用户建模
2.1 引言
2.2 情景及情景分类
2.2.1 情景概念
2.2.2 推荐系统的情景分类
2.3 传统用户建模概况
2.3.1 用户建模
2.3.2 情景信息应用概况
2.4 有效情景检测
2.4.1 情景过滤器
2.4.2 基于单因素方差效用函数的有效情景检测
2.4.3 基于项目类型或属性效用函数的有效情景检测
2.4.4 基于选择概率效用函数的有效情景检测
2.5 情景化用户建模框架
2.5.1 模型框架
2.5.2 情景处理模式
2.6 建模过程
2.6.1 预过滤建模范式
2.6.2 融合建模范式
2.7 实验验证
2.7.1 LDOS-CoMoDa数据集
2.7.2 实验步骤
2.7.3 实验结果
第3章 多维时间情景感知的项目推荐
3.1 引言
3.1.1 用户兴趣时间情景
3.1.2 社会时序情景
3.1.3 用户交互时间情景
3.2 推荐框架及用户行为决策过程
3.3 模型构建
3.3.1 多维时间情景感知的用户建模
3.3.2 MTAFM模型
3.4 MTAFM模型参数估计
3.4.1 模型训练原理
3.4.2 参数估计
3.5 MTAFM模型的Top-k推荐
3.6 实验验证
3.6.1 实验数据集
3.6.2 评价方法
3.6.3 对比方法
3.6.4 实验结果
3.6.5 话题数量的影响分析
3.6.6 时间片长度的影响分析
第4章 多源情景感知与融合的好友推荐
4.1 引言
4.2 相关工作
4.2.1 基于用户特征的好友推荐
4.2.2 基于网络结构的好友推荐
4.2.3 基于社交信任的好友推荐
4.3 问题分析及研究动机
4.4 问题形式化
4.5 多源情景信息融合的好友推荐框架
4.5.1 推荐框架
4.5.2 基于D-S证据理论的多情景信息融合
4.5.3 用户特征情景相关概率分配函数
4.5.4 网络结构情景相关的概率分配函数
4.5.5 社交情景相关的概率分配函数
4.5.6 证据可靠性度量
4.5.7 好友推荐方法
4.6 实验分析
4.6.1 数据集
4.6.2 评价标准
4.6.3 情景信息融合的有效性
4.6.4 实验对比
4.7 讨论
第5章 多源评分融合的协同过滤优化推荐
5.1 引言
5.2 相关工作
5.3 传统的协同过滤推荐
5.3.1 基于项目的CF方法
5.3.2 基于用户的CF方法
5.4 CF融合优化推荐框架
5.5 基于项目和基于用户的CF方法的改进
5.5.1 基于项目的CF方法改进
5.5.2 基于用户的CF方法改进
5.6 基于相似用户和相似项目的评分
5.7 CF优化推荐
5.7.1 概述
5.7.2 符号
5.7.3 融合优化
5.8 实验验证
5.8.1 实验准备
5.8.2 评价标准
5.8.3 预备实验
5.8.4 预测精度实验
5.8.5 参数优化实验
5.8.6 数据稀疏度敏感性测试
第6章 总结与展望
6.1 总结
6.1.1 有效情景检测与情景化用户建模
6.1.2 多维时间情景感知的项目推荐
6.1.3 多源情景感知与融合的好友推荐
6.1.4 多源评分融合的协同过滤优化推荐
6.2 展望
参考文献