此部分為隱藏內(nèi)容，請輸入驗證碼后查看
掃描右側(cè)圖片或微信搜索 “ Java技術(shù)分享屋 ” ，回復(fù) “ 驗證碼 ” ，獲取驗證密碼。
本資料僅供讀者預(yù)覽及學(xué)習(xí)交流使用，不能用于商業(yè)用途，請在下載后24小時內(nèi)刪除。如果喜歡，請購買正版！
一.資料圖片
二.資料簡介
推薦系統(tǒng)是為用戶推薦所需物品的軟件工具和技術(shù)，對于在線處理信息過載是一個非常有價值的方法，并成為電子商務(wù)領(lǐng)域最強大和流行的工具之一。本書融合不同領(lǐng)域?qū)＜覍W(xué)者的理論成果和實踐經(jīng)驗，從推薦系統(tǒng)相關(guān)技術(shù)、推薦系統(tǒng)的應(yīng)用與評估、推薦系統(tǒng)的交互、推薦系統(tǒng)和社區(qū)及高級算法5個方面介紹推薦系統(tǒng)的主要概念、理論、方法、趨勢、挑戰(zhàn)和應(yīng)用，詳細闡釋如何支持用戶決策、計劃和購買過程，幫助你梳理推薦系統(tǒng)的相關(guān)知識體系，并理解推薦系統(tǒng)的原理、算法及實現(xiàn)。
三.資料目錄
推薦序一
推薦序二
譯者序
前言
第1章 概述 1
1.1 簡介 1
1.2 推薦系統(tǒng)的功能 3
1.3 數(shù)據(jù)和知識資源 5
1.4 推薦技術(shù) 7
1.5 應(yīng)用與評價 10
1.6 推薦系統(tǒng)與人機交互 12
1.6.1 信任、解釋和說服力 13
1.6.2 會話系統(tǒng) 13
1.6.3 可視化 14
1.7 推薦系統(tǒng)是個交叉學(xué)科領(lǐng)域 15
1.8 出現(xiàn)的問題和挑戰(zhàn) 16
1.8.1 本書對出現(xiàn)的問題的討論 16
1.8.2 挑戰(zhàn) 18
參考文獻 20
第一部分 基礎(chǔ)技術(shù)
第2章 推薦系統(tǒng)中的數(shù)據(jù)挖掘方法 28
2.1 簡介 28
2.2 數(shù)據(jù)預(yù)處理 29
2.2.1 相似度度量方法 29
2.2.2 抽樣 30
2.2.3 降維 31
2.2.4 去噪 33
2.3 分類 34
2.3.1 最近鄰 34
2.3.2 決策樹 35
2.3.3 基于規(guī)則的分類 36
2.3.4 貝葉斯分類器 36
2.3.5 人工神經(jīng)網(wǎng)絡(luò) 38
2.3.6 支持向量機 39
2.3.7 分類器的集成 40
2.3.8 評估分類器 41
2.4 聚類分析 42
2.4.1 k-means 43
2.4.2 改進的k-means 44
2.5 關(guān)聯(lián)規(guī)則挖掘 44
2.6 總結(jié) 46
致謝 47
參考文獻 47
第3章 基于內(nèi)容的推薦系統(tǒng)：前沿和趨勢 51
3.1 簡介 51
3.2 基于內(nèi)容的推薦系統(tǒng)的基礎(chǔ) 52
3.2.1 基于內(nèi)容的推薦系統(tǒng)的高層次結(jié)構(gòu) 52
3.2.2 基于內(nèi)容過濾的優(yōu)缺點 54
3.3 基于內(nèi)容的推薦系統(tǒng)的現(xiàn)狀 55
3.3.1 物品表示 56
3.3.2 學(xué)習(xí)用戶特征的方法 62
3.4 趨勢和未來研究 65
3.4.1 推薦過程中用戶產(chǎn)生內(nèi)容的作用 65
3.4.2 超越特化：驚喜度 66
3.5 總結(jié) 68
參考文獻 68
第4章 基于近鄰?fù)扑]方法綜述 74
4.1 簡介 74
4.1.1 問題公式化定義 75
4.1.2 推薦方法概要 76
4.1.3 基于近鄰方法的優(yōu)勢 77
4.1.4 目標(biāo)和概要 78
4.2 基于近鄰?fù)扑] 78
4.2.1 基于用戶評分 79
4.2.2 基于用戶分類 80
4.2.3 回歸與分類 80
4.2.4 基于物品推薦 81
4.2.5 基于用戶和基于物品推薦的對比 81
4.3 近鄰方法的要素 83
4.3.1 評分標(biāo)準(zhǔn)化 83
4.3.2 相似度權(quán)重計算 85
4.3.3 近鄰的選擇 89
4.4 高級進階技術(shù) 90
4.4.1 降維方法 90
4.4.2 基于圖方法 92
4.5 總結(jié) 95
參考文獻 96
第5章 協(xié)同過濾算法的高級課題100 5. 1
簡介 100
5.2 預(yù)備知識 101
5.2.1 基準(zhǔn)預(yù)測 102
5.2.2 Netflix數(shù)據(jù) 103
5.2.3 隱式反饋 103
5.3 因子分解模型 104
5.3.1 SVD 104
5.3.2 SVD++ 105
5.3.3 時間敏感的因子模型 106
5.3.4 比較 111
5.3.5 總結(jié) 112
5.4 基于鄰域的模型 112
5.4.1 相似度度量 113
5.4.2 基于相似度的插值 113
5.4.3 聯(lián)合派生插值權(quán)重 115
5.4.4 總結(jié) 117
5.5 增強的基于鄰域的模型 117
5.5.1 全局化的鄰域模型 118
5.5.2 因式分解的鄰域模型 122
5.5.3 基于鄰域的模型的動態(tài)時序 126
5.5.4 總結(jié) 127
5.6 基于鄰域的模型和因子分解模型的比較 127
參考文獻 129
第6章 開發(fā)基于約束的推薦系統(tǒng) 131
6.1 簡介 131
6.2 推薦知識庫的開發(fā) 133
6.3 推薦過程中的用戶導(dǎo)向 137
6.4 計算推薦結(jié)果 142
6.5 項目和案例研究的經(jīng)驗 143
6.6 未來的研究方法 144
6.7 總結(jié) 147
參考文獻 147
第7章 情境感知推薦系統(tǒng) 151
7.1 簡介 151
7.2 推薦系統(tǒng)中的情境 152
7.2.1 什么是情境 152
7.2.2 在推薦系統(tǒng)實現(xiàn)情境信息的建模 155
7.2.3 獲取情境信息 158
7.3 結(jié)合情境的推薦系統(tǒng)形式 159
7.3.1 情境預(yù)過濾 161
7.3.2 情境后過濾 163
7.3.3 情境建模 164
7.4 多種方法結(jié)合 167
7.4.1 組合預(yù)過濾器案例研究：算法 168
7.4.2 組合預(yù)過濾器案例研究：實驗結(jié)果 168
7.5 情境感知推薦系統(tǒng)的其他問題 170
7.6 總結(jié) 171
致謝 171
參考文獻 172
第二部分 推薦系統(tǒng)的應(yīng)用與評估
第8章 推薦系統(tǒng)評估 176
8.1 簡介 176
8.2 實驗設(shè)置 177
8.2.1 離線實驗 178
8.2.2 用戶調(diào)查 180
8.2.3 在線評估 182
8.2.4 得出可靠結(jié)論 182
8.3 推薦系統(tǒng)屬性 185
8.3.1 用戶偏好 185
8.3.2 預(yù)測準(zhǔn)確度 186
8.3.3 覆蓋率 191
8.3.4 置信度 192
8.3.5 信任度 193
8.3.6 新穎度 194
8.3.7 驚喜度 195
8.3.8 多樣性 195
8.3.9 效用 196
8.3.10 風(fēng)險 197
8.3.11 健壯性 197
8.3.12 隱私 198
8.3.13 適應(yīng)性 198
8.3.14 可擴展性 199
8.4 總結(jié) 199
參考文獻 199
第9章 IPTV服務(wù)提供商推薦系統(tǒng)：一個大規(guī)模真實產(chǎn)品環(huán)境的應(yīng)用203 9.1 簡介 203
9.2 IPTV架構(gòu) 204
9.3 推薦系統(tǒng)架構(gòu) 206
9.3.1 數(shù)據(jù)搜集 206
9.3.2 批處理和實時階段 207
9.4 推薦算法 208
9.4.1 推薦算法概述 209
9.4.2 基于內(nèi)容隱語義分析算法 210
9.4.3 基于物品的協(xié)同過濾算法 213
9.4.4 基于降維的協(xié)同過濾算法 214
9.5 推薦服務(wù) 215
9.6 系統(tǒng)評價 216
9.6.1 離線分析 218
9.6.2 在線分析 220
9.7 總結(jié) 223
參考文獻 223
第10章 走出實驗室的推薦系統(tǒng) 225
10.1 簡介 225
10.2 設(shè)計現(xiàn)實環(huán)境中的推薦系統(tǒng) 225
10.3 理解推薦系統(tǒng)的環(huán)境 226
10.3.1 應(yīng)用模型 226
10.3.2 用戶建模 230
10.3.3 數(shù)據(jù)模型 233
10.3.4 一個使用環(huán)境模型的方法 235
10.4 在迭代設(shè)計過程中理解推薦驗證步驟 236
10.4.1 算法的驗證 236
10.4.2 推薦結(jié)果的驗證 237
10.5 應(yīng)用實例：一個語義新聞推薦系統(tǒng) 240
10.5.1 背景：MESH工程 240
10.5.2 MESH的環(huán)境模型 240
10.5.3 實踐：模型的迭代實例化 243
10.6 總結(jié) 244
參考文獻 244
第11章 匹配推薦系統(tǒng)的技術(shù)與領(lǐng)域 247
11.1 簡介 247
11.2 相關(guān)工作 247
11.3 知識源 248
11.4 領(lǐng)域 250
11.4.1 異構(gòu)性 250
11.4.2 風(fēng)險性 251
11.4.3 變動性 251
11.4.4 交互風(fēng)格 251
11.4.5 偏好穩(wěn)定性 251
11.4.6 可理解性 252
11.5 知識源 252
11.5.1 社群知識 252
11.5.2 個人知識 253
11.5.3 基于內(nèi)容的知識 253
11.6 從領(lǐng)域到技術(shù) 254
11.6.1 算法 255
11.6.2 抽樣推薦領(lǐng)域 256
11.7 總結(jié) 257
致謝 257
參考文獻 257
第12章 用于技術(shù)強化學(xué)習(xí)的推薦系統(tǒng) 261
12.1 簡介 261
12.2 背景 262
12.2.1 TEL作為上下文 262
12.2.2 TEL推薦的目標(biāo) 263
12.3 相關(guān)工作 264
12.3.1 自適應(yīng)教育超媒體 264
12.3.2 學(xué)習(xí)網(wǎng)絡(luò) 265
12.3.3 相同點與不同點 267
12.4 TEL推薦系統(tǒng)調(diào)查 268
12.5 TEL推薦系統(tǒng)的評估 271
12.5.1 對組件的評估 272
12.5.2 評估TEL推薦系統(tǒng)時需要考慮的問題 273
12.6 總結(jié)與展望 274
致謝 274
參考文獻 275
第三部分 推薦系統(tǒng)的影響
第13章 基于評價推薦系統(tǒng)的進展 282
13.1 簡介 282
13.2 早期：評價系統(tǒng)/已得益處 282
13.3 評價系統(tǒng)的表述與檢索挑戰(zhàn) 283
13.3.1 評價表述的方式 283
13.3.2 基于評價的推薦系統(tǒng)中的檢索挑戰(zhàn) 289
13.4 評價平臺中的交互研究 293
13.4.1 擴展到其他評價平臺 294
13.4.2 用戶直接操作與限制用戶控制的比較 295
13.4.3 支持性解釋、置信和信任 296
13.4.4 可視化、自適應(yīng)性和分區(qū)動態(tài)性 297
13.4.5 關(guān)于多文化的適用性的差異 298
13.5 評價的評估：資源、方法和標(biāo)準(zhǔn) 298
13.5.1 資源和方法 298
13.5.2 評估標(biāo)準(zhǔn) 299
13.6 總結(jié)與展望 300
參考文獻 301
第14章 構(gòu)建更值得信任和具有說服力的推薦系統(tǒng)：特性對評估推薦系統(tǒng)的影響 305
14.1 簡介 305
14.2 推薦系統(tǒng)作為社交角色 306
14.3 來源可信度 306
14.3.1 可信度 306
14.3.2 專業(yè)能力 307
14.3.3 對來源可信度的影響 307
14.4 人際交互中信息特性的研究 307
14.4.1 相似度 307
14.4.2 喜好度 308
14.4.3 權(quán)威的象征 308
14.4.4 演講的風(fēng)格 308
14.4.5 外在吸引力 308
14.4.6 幽默 309
14.5 人機交互中的特性 309
14.6 用戶與推薦系統(tǒng)交互的特性 309
14.6.1 推薦系統(tǒng)類型 310
14.6.2 輸入特性 310
14.6.3 過程特性 311
14.6.4 輸出特性 311
14.6.5 內(nèi)嵌的智能體特性 312
14.7 討論 312
14.8 影響 313
14.9 未來研究方向 314
參考文獻 314
第15章 設(shè)計和評估推薦系統(tǒng)的解釋 321
15.1 簡介 321
15.2 指引 322
15.3 專家系統(tǒng)的說明 322
15.4 定義的目標(biāo) 322
15.4.1 系統(tǒng)如何工作:透明性 324
15.4.2 允許用戶告訴系統(tǒng)它是錯誤的：被理解 324
15.4.3 增加用戶對系統(tǒng)上的信任：信任度 325
15.4.4 說服用戶嘗試或購買：說服力 326
15.4.5 幫助用戶充分地決策：有效性 327
15.4.6 幫助用戶快速制定決策：效率 328
15.4.7 使系統(tǒng)的應(yīng)用愉悅：滿意度 328
15.5 評估解釋在推薦系統(tǒng)的作用 329
15.5.1 精準(zhǔn)度 329
15.5.2 學(xué)習(xí)效率 329
15.5.3 覆蓋度 330
15.5.4 接受度 330
15.6 用推薦設(shè)計展示與互動 330
15.6.1 展示推薦 330
15.6.2 與推薦系統(tǒng)交互 331
15.7 解釋風(fēng)格 332
15.7.1 基于協(xié)同風(fēng)格 333
15.7.2 基于內(nèi)容風(fēng)格 334
15.7.3 基于案例風(fēng)格 334
15.7.4 基于知識/自然語言風(fēng)格 335
15.7.5 基于人口統(tǒng)計風(fēng)格 335
15.8 總結(jié)與展望 336
參考文獻 337
第16章 基于實例評價研究的產(chǎn)品推薦系統(tǒng)的可用性準(zhǔn)則 340
16.1 簡介 340
16.2 預(yù)備知識 341
16.2.1 交互模型 341
16.2.2 基于效用的推薦系統(tǒng) 342
16.2.3 準(zhǔn)確率、信任度和代價的框架 344
16.2.4 本章結(jié)構(gòu) 344
16.3 相關(guān)工作 345
16.3.1 推薦系統(tǒng)分類 345
16.3.2 基于評分的推薦系統(tǒng) 345
16.3.3 基于案例的推薦系統(tǒng) 345
16.3.4 基于效用的推薦系統(tǒng) 345
16.3.5 基于評價的推薦系統(tǒng) 346
16.3.6 其他設(shè)計指導(dǎo)準(zhǔn)則 346
16.4 初始偏好提取 347
16.5 通過實例激勵用戶表示偏好 349
16.5.1 需要多少實例 350
16.5.2 需要哪些實例 350
16.6 偏好修正 352
16.6.1 偏好沖突和部分滿足 352
16.6.2 權(quán)衡輔助 353
16.7 展示策略 354
16.7.1 一次推薦一項物品 354
16.7.2 推薦k項最匹配的物品 355
16.7.3 解釋界面 355
16.8 準(zhǔn)則驗證模型 357
16.9 總結(jié) 359
參考文獻 359
第17章 基于示意圖的產(chǎn)品目錄可視化 363
17.1 簡介 363
17.2 基于圖的可視化方法 364
17.2.1 自組織映射 364
17.2.2 樹圖 365
17.2.3 多維縮放 366
17.2.4 非線性主成分分析 367
17.3 產(chǎn)品目錄圖 367
17.3.1 多維縮放 368
17.3.2 非線性主成分分析 369
17.4 通過點擊流分析決定屬性權(quán)重 370
17.4.1 泊松回歸模型 370
17.4.2 處理缺失值 371
17.4.3 使用泊松回歸選擇權(quán)值 371
17.4.4 階梯式泊松回歸模型 371
17.5 圖像購物界面 372
17.6 電子商務(wù)應(yīng)用 373
17.6.1 使用屬性權(quán)值的基于MDS的產(chǎn)品目錄圖 373
17.6.2 基于NL-PCA的產(chǎn)品目錄圖 375
17.6.3 圖像購物界面 377
17.7 總結(jié)與展望 379
致謝 380
參考文獻 380
第四部分 推薦系統(tǒng)與群體
第18章 個性化Web搜索中的群體、協(xié)作與推薦系統(tǒng) 384
18.1 簡介 384
18.2 網(wǎng)絡(luò)搜索歷史簡介 385
18.3 網(wǎng)絡(luò)搜索的未來 387
18.3.1 個性化網(wǎng)絡(luò)搜索 387
18.3.2 協(xié)同信息檢索 390
18.3.3 向社交搜索前進 392
18.4 案例研究1：基于群體的網(wǎng)絡(luò)搜索 392
18.4.1 搜索群體中的重復(fù)性和規(guī)律性 392
18.4.2 協(xié)同網(wǎng)絡(luò)搜索系統(tǒng) 393
18.4.3 評估 395
18.4.4 討論 396
18.5 案例研究2：網(wǎng)絡(luò)搜索共享 396
18.5.1 HeyStaks系統(tǒng) 397
18.5.2 HeyStaks推薦引擎 399
18.5.3 評估 400
18.5.4 討論 402
18.6 總結(jié) 402
致謝 403
參考文獻 403
第19章 社會化標(biāo)簽推薦系統(tǒng) 409
19.1 簡介 409
19.2 社會化標(biāo)簽推薦系統(tǒng) 410
19.2.1 大眾分類法 410
19.2.2 傳統(tǒng)推薦系統(tǒng)范式 411
19.2.3 多模式推薦 412
19.3 現(xiàn)實社會化標(biāo)簽推薦系統(tǒng) 413
19.3.1 有哪些挑戰(zhàn) 413
19.3.2 案例BibSonomy 413
19.3.3 標(biāo)簽獲取 415
19.4 社會化標(biāo)簽系統(tǒng)的推薦算法 416
19.4.1 協(xié)同過濾 416
19.4.2 基于排序的推薦 418
19.4.3 基于內(nèi)容的社會化標(biāo)簽推薦系統(tǒng) 421
19.4.4 評估方案和評估度量 423
19.5 算法比較 424
19.6 總結(jié)與展望 426
參考文獻 427
第20章 信任和推薦 430
20.1 簡介 430
20.2 信任的表示與計算 431
20.2.1 信任表示 431
20.2.2 信任計算 433
20.3 信任增強推薦系統(tǒng) 436
20.3.1 動機 436
20.3.2 進展 437
20.3.3 實驗比較 441
20.4 進展和開放性挑戰(zhàn) 445
20.5 總結(jié) 446
參考文獻 446
第21章 組推薦系統(tǒng) 449
21.1 簡介 449
21.2 應(yīng)用場景和群組推薦系統(tǒng)分類 450
21.2.1 交互式電視 450
21.2.2 環(huán)繞智能 450
21.2.3 基于場景的推薦系統(tǒng) 451
21.2.4 基于分類的群組推薦 451
21.3 合并策略 452
21.3.1 合并策略概覽 452
21.3.2 合并策略在相關(guān)工作中的應(yīng)用 453
21.3.3 哪種策略效果最好 454
21.4 序列順序的影響 455
21.5 對情感狀態(tài)建模 456
21.5.1 對個人的滿意度進行建模 457
21.5.2 個人滿意度對群組的影響 458
21.6 情感狀態(tài)在合并策略中的使用 459
21.7 對單個用戶進行組推薦 460
21.7.1 多準(zhǔn)則 460
21.7.2 冷啟動問題 461
21.7.3 虛擬組成員 462
21.8 總結(jié)與挑戰(zhàn) 462
21.8.1 提出的主要問題 463
21.8.2 警告：組建模 463
21.8.3 面臨的挑戰(zhàn) 464
致謝 464
參考文獻 465
第五部分 高級算法
第22章 推薦系統(tǒng)中的偏好聚合468 22.1 簡介 468
22.2 推薦系統(tǒng)中的聚合類型 468
22.2.1 協(xié)同過濾中的偏好聚合 470
22.2.2 CB與UB推薦中的特性聚合 470
22.2.3 CB與UB的配置文件構(gòu)建 470
22.2.4 物品和用戶相似度以及鄰居的形成 471
22.2.5 基于實例推理的連接詞在推薦系統(tǒng)中的應(yīng)用 472
22.2.6 加權(quán)混合系統(tǒng) 472
22.3 聚合函數(shù)概論 472
22.3.1 定義和屬性 472
22.3.2 聚合成員 475
22.4 聚合函數(shù)的構(gòu)建 479
22.4.1 數(shù)據(jù)收集和處理 479
22.4.2 期望屬性、語義、解釋 480
22.4.3 函數(shù)表現(xiàn)的復(fù)雜度及其理解 481
22.4.4 權(quán)重和參數(shù)的確定 482
22.5 推薦系統(tǒng)中的復(fù)雜聚合過程:為特定應(yīng)用定制 482
22.6 總結(jié) 485
22.7 進階閱讀 485
致謝 486
參考文獻 486
第23章 推薦系統(tǒng)中的主動學(xué)習(xí) 488
23.1 簡介 488
23.1.1 推薦系統(tǒng)中主動學(xué)習(xí)的目標(biāo) 489
23.1.2 例證 490
23.1.3 主動學(xué)習(xí)的類型 490
23.2 數(shù)據(jù)集的屬性 491
23.3 主動學(xué)習(xí)在推薦系統(tǒng)中的應(yīng)用 492
23.4 主動學(xué)習(xí)公式 493
23.5 基于不確定性的主動學(xué)習(xí) 495
23.5.1 輸出不確定性 495
23.5.2 決策邊界不確定性 496
23.5.3 模型不確定性 497
23.6 基于誤差的主動學(xué)習(xí) 498
23.6.1 基于實例的方法 498
23.6.2 基于模型的方法 500
23.7 基于組合的主動學(xué)習(xí) 501
23.7.1 基于模型的方法 501
23.7.2 基于候選的方法 502
23.8 基于會話的主動學(xué)習(xí) 504
23.8.1 基于實例的評論 504
23.8.2 基于多樣性的方法 504
23.8.3 基于查詢編輯的方法 505
23.9 計算因素考慮 505
23.10 總結(jié) 505
致謝 506
參考文獻 506
第24章 多準(zhǔn)則推薦系統(tǒng) 510
24.1 簡介 510
24.2 推薦作為多準(zhǔn)則決策問題 511
24.2.1 決策目標(biāo) 512
24.2.2 準(zhǔn)則簇 512
24.2.3 全局偏好模型 513
24.2.4 決策支持流程 513
24.3 推薦系統(tǒng)的MCDM框架:經(jīng)驗教訓(xùn) 515
24.4 多準(zhǔn)則評分推薦 517
24.4.1 傳統(tǒng)的單值評分推薦問題 517
24.4.2 引入多準(zhǔn)則評分來擴展傳統(tǒng)推薦系統(tǒng) 518
24.5 多準(zhǔn)則評分推薦算法綜述 519
24.5.1 預(yù)測中使用多準(zhǔn)則評分 519
24.5.2 推薦中使用多準(zhǔn)則評分 524
24.6 討論及未來工作 526
24.7 總結(jié) 527
致謝 528
參考文獻 528
第25章 具有健壯性的協(xié)同推薦 533
25.1 簡介 533
25.2 問題定義 534
25.3 攻擊分類 536
25.3.1 基礎(chǔ)攻擊 536
25.3.2 非充分信息攻擊 537
25.3.3 打壓攻擊模型 537
25.3.4 知情攻擊模型 538
25.4 檢測系統(tǒng)健壯性 539
25.4.1 評估矩陣 539
25.4.2 推舉攻擊 540
25.4.3 打壓攻擊 541
25.4.4 知情攻擊 542
25.4.5 攻擊效果 543
25.5 攻擊檢測 543
25.5.1 評估矩陣 544
25.5.2 單用戶檢測 544
25.5.3 用戶組檢測 545
25.5.4 檢測結(jié)果 548
25.6 健壯的推薦算法 548
25.6.1 基于模型的推薦 548
25.6.2 健壯的矩陣分解算法 549
25.6.3 其他具有健壯性的推薦算法 549
25.6.4 影響力限制器和基于信譽的推薦 550
25.7 總結(jié) 550
致謝 551
參考文獻 551
本書貢獻者名單 554
翻譯團隊名單560