Matrix and Tensor Factorization Techniques for Recommender Systems

این کتاب الگوریتم‌های مورد استفاده برای ارائه توصیه‌ها را با بهره‌برداری از تکنیک‌های فاکتورسازی ماتریس و تجزیه تانسور ارائه می‌کند. روش‌های تجزیه شناخته‌شده برای سیستم‌های توصیه‌گر، مانند تجزیه ارزش منفرد (SVD)، تجزیه UV، فاکتورسازی ماتریس غیر منفی (NMF)، و غیره را برجسته می‌کند و مزایا و معایب هر روش را برای ماتریس‌ها و تانسورها به تفصیل شرح می‌دهد. . این کتاب یک پیش‌زمینه ریاضی نظری دقیق از تکنیک‌های فاکتورسازی ماتریس/تانسور و تجزیه و تحلیل گام به گام هر روش بر اساس یک نمونه اسباب‌بازی یکپارچه ارائه می‌کند که در تمام فصل‌های آن اجرا می‌شود و به خواننده کمک می‌کند تا تفاوت‌های کلیدی بین روش‌ها را درک کند. . همچنین شامل دو فصل است که در آن روش‌های مختلف ماتریس و تانسور به صورت تجربی بر روی مجموعه‌های داده واقعی، مانند Epinions، GeoSocialRec، Last.fm، BibSonomy و غیره مقایسه می‌شوند و بینش‌های بیشتری در مورد مزایا و معایب هر روش ارائه می‌دهند.

این کتاب ترکیبی غنی از تئوری و عمل ارائه می‌دهد و آن را برای دانشجویان، محققان و پزشکان علاقه‌مند به روش‌های توصیه‌کننده و فاکتورسازی مناسب می‌سازد. استادان همچنین می توانند از آن برای کلاس های داده کاوی، سیستم های توصیه گر و روش های کاهش ابعاد استفاده کنند.

This book presents the algorithms used to provide recommendations by exploiting matrix factorization and tensor decomposition techniques. It highlights well-known decomposition methods for recommender systems, such as Singular Value Decomposition (SVD), UV-decomposition, Non-negative Matrix Factorization (NMF), etc. and describes in detail the pros and cons of each method for matrices and tensors. This book provides a detailed theoretical mathematical background of matrix/tensor factorization techniques and a step-by-step analysis of each method on the basis of an integrated toy example that runs throughout all its chapters and helps the reader to understand the key differences among methods. It also contains two chapters, where different matrix and tensor methods are compared experimentally on real data sets, such as Epinions, GeoSocialRec, Last.fm, BibSonomy, etc. and provides further insights into the advantages and disadvantages of each method.

The book offers a rich blend of theory and practice, making it suitable for students, researchers and practitioners interested in both recommenders and factorization methods. Lecturers can also use it for classes on data mining, recommender systems and dimensionality reduction methods.