（1）提出了社会化环境下商品推荐呈现的特征，总结了传统推荐方法的基本原理、推荐流程及优缺点，分析了基于深度学习的推荐方法、面向社会化环境的商品推荐方法的分类、研究进展和主要研究成果。（2）总结了基于内存的社会化推荐系统、基于模型的社会化推荐系统、基于社会化标签的推荐系统的推荐原理、研究进展和主要研究成果。（3）总结了社会化商品推荐面临的挑战，归纳了传统商品推荐存在的问题，分析了社会化标签在商品推荐中应用可行性，提出了基于社会化标签和多维信息特征融合的商品推荐模型，给出了模型实现的主要方法。（4）针对社会化标签在内容特征上呈现语义缺失、在数量特征上呈现出长尾现象，利用标签信息表征用户兴趣，提出了基于标签间语义相关性的商品推荐方法。（5）针对目前社会化商品推荐方法存在的数据来源单一、推荐类型缺乏多样性的问题，综合考虑需求匹配、功能互补、情景相似、畅销流行等多维信息特征，设计了融合多维信息特征的商品推荐方法。
本书以社会化环境下商品个性化推荐方法为主要研究对象，总结了相关理论与方法，分析了基于内存、基于模型、基于社会化标签的推荐系统原理及前期研究，并提出了基于标签间语义相关性的商品推荐方法，设计了融合多维信息特征的商品推荐方法。 这些方法满足用户的个性化信息需求，解决社会化环境下商品信息过载、信息迷航问题。
前言在互联网时代，社会化标签作为资源分类和索引的重要方式之一，开始被用来组织、管理和共享资源。社会化标签不仅能反映用户的兴趣偏好，又能体现资源本身的特征。通过分析用户标签，发现并挖掘其中隐含的用户商品需求，构建合适的推荐模型，设计相应的推荐方法，将用户需求与商品信息进行匹配，是实现商品信息个性化推荐的关键。本书针对商品信息利用效率无法达到*大化的实际，通过分析用户标签，识别用户需求，建立基于社会化标签的商品信息个性化推荐方法体系，从而解决社会化环境下商品信息过载、信息迷航等问题。本书主要内容包括：（1）提出社会化环境下商品推荐呈现的特征，总结了基于信息内容的信息推荐方法、基于协同过滤的信息推荐方法、基于规则的信息推荐方法和混合推荐方法等传统推荐方法的基本原理、推荐流程及优缺点，分析了基于深度学习的推荐方法、面向社会化环境的商品推荐方法的分类、研究进展和主要研究成果。（2）总结了TidalTrust、MoleTrust等基于内存的社会化推荐系统，SoRec、TrustMF、TrustPMF、LOCABAL、SoReg、SocialMF、RSTE等基于模型的社会化推荐系统，Delicious、CiteULike、Connotea、Flickr、YouTube等基于社会化标签的推荐系统的推荐原理、研究进展和主要研究成果。（3）总结了社会化环境下商品推荐面临的挑战，归纳了传统商品推荐模型存在的问题，分析了社会化标签在商品推荐中应用的可行性，提出了基于社会化标签和多维信息的商品推荐模型，给出了模型实现的主要方法。（4）提出了基于标签间语义相关性的商品推荐方法。针对社会化标签在内容特征上呈现语义缺失、在数量特征上呈现长尾现象，利用标签信息表征用户兴趣，提出了基于标签间语义相关性的商品推荐方法。（5）提出了基于多维信息特征融合的商品推荐方法。针对目前社会化商品推荐方法存在的数据来源单一、推荐类型缺乏多样性的问题，综合考虑需求匹配、功能互补、情景相似、畅销流行等多维信息特征，设计了融合多维信息特征的商品推荐方法。本研究成果得到了湖北工业大学工程技术学院相关领导及同事的支持与帮助，在此表示感谢，同时也感谢家人及朋友们的鼓励与支持！本书在编写过程中引用、借鉴了大量的国内外文献与网络资料，参阅了国内外专家学者的相关研究成果，在此谨向所有作者表示由衷的感谢！由于本人水平有限，加之时间仓促，书中难免存在不当或错误之处，恳请同行专家与广大读者批评指正，以期改进。梁晶2022年8月
梁晶，副教授，中国商业统计学会理事、湖北省市场营销学会理事，湖北高校优秀教学团队负责人、湖北省一流课程负责人，主持*产学合作协同育人项目2项，主持湖北省教育厅人文社科项目1项，主持校级课题6项，主编教材2部，发表论文10余篇（含 2篇CSSCI）,申请软著基于大数据的产品智能推荐系统1项，指导学生参加挑战杯、创青春、全国大学生电子商务三创大赛、全国大学生市场调查与分析大赛等获得*奖项3项、省级以上奖项近20项。
1绪论/1
1.1选题背景和意义/1
1.1.1选题背景/1
1.1.2选题意义/4
1.2国内外研究现状/6
1.2.1社会化推荐研究现状/6
1.2.2标签推荐研究现状/10
1.2.3商品推荐研究现状/16
1.2.4国内外研究述评/21
1.3研究方法/26
2社会化商品推荐相关理论与方法/28
2.1社会化商品推荐的概念与特征/28
2.2社会化标签系统概述/31
2.2.1标签系统类型/31
2.2.2社会化标签系统的特点/31
2.3传统信息推荐理论与方法/33
2.3.1基于信息内容的信息推荐方法/33
2.3.2基于协同过滤的信息推荐方法/35
2.3.3基于规则的信息推荐方法/38
2.3.4混合推荐方法/39
2.4基于深度学习的推荐方法/40
2.4.1基于多层感知机的推荐方法/40
2.4.2基于卷积神经网络的推荐方法/41
2.4.3基于循环神经网络的推荐方法/41
2.5面向社会化环境的商品推荐方法/42
2.6社会化商品推荐技术基础/45
2.6.1信息抽取/45
2.6.2知识融合/49
3社会化推荐系统概述与分析/53
3.1社会化推荐系统概述/53
3.2基于内存的社会化推荐系统/55
3.2.1TidalTrust/55
3.2.2MoleTrust/57
3.3基于模型的社会化推荐系统/58
3.3.1SoRec/58
3.3.2TrustMF/60
3.3.3TrustPMF/62
3.3.4LOCABAL/65
3.3.5SoReg/67
3.3.6SocialMF/68
3.3.7RSTE/72
3.4基于社会化标签的推荐系统/74
3.4.1Delicious/74
3.4.2CiteULike/75
3.4.3Connotea/76
3.4.4Flickr/77
3.4.5YouTube/79
4基于社会化标签的商品推荐模型/82
4.1问题的提出/82
4.1.1社会化环境下商品推荐面临的挑战/82
4.1.2传统的商品推荐模型存在的问题/83
4.1.3社会化标签在商品推荐中应用的可行性/84
4.2基于社会化标签的商品推荐模型/85
4.2.1现有的基于社会化标签的推荐模型/85
4.2.2基于社会化标签和多维信息的商品推荐模型/88
5基于标签间语义相关性的商品推荐方法/91
5.1问题的提出/91
5.2基于标签间语义相关性的商品推荐方法概述/93
5.2.1标签间语义相关性计算/93
5.2.2用户标签综合权重计算/94
5.2.3用户兴趣表达/96
5.2.4商品个性化推荐/97
5.3实验与结果分析/98
5.3.1实验数据/98
5.3.2实验环境与测评指标/98
5.3.3实验对比与结果分析/98
6基于多维信息特征融合的商品推荐方法/102
6.1问题的提出/102
6.2基于多维信息特征融合的商品推荐方法概述/103
6.2.1商品用户需求匹配度计算/103
6.2.2商品功能互补度计算/104
6.2.3商品情景相似度计算/105
6.2.4商品畅销流行度计算/106
6.2.5TopN商品推荐/106
6.3实验与结果分析/107
6.3.1实验数据/107
6.3.2实验环境与测评指标/107
6.3.3实验结果与分析/108
7全文总结与展望/111
7.1全文总结/111
7.2下一步工作展望/112
参考文献/114
书单推荐
