内容简介

编辑推荐：

通过对本书的学习，读者不仅可以全面系统地了解该领域的基础原理，还能试验如何搭建一套真正的推荐系统。

—— 百度主任架构师、百度技术委员会主席 廖若雪

本书比较全面地介绍了推荐系统涉及的相关知识点，很适合对于推荐系统感兴趣的相关人员作为入门教程，目前能够系统全面介绍相关技术的中文书籍还显得匮乏，相信这本译著对于缓解这种情况大有裨益。

——新浪微博数据挖掘技术专家 张俊林

本书不但介绍了比较成熟的经典算法，还介绍了最近几年的一些新进展，并辅之以实际应用的案例介绍。希望看到越来越多的朋友加入到推荐引擎的研究和应用中来！

——百分点信息科技有限公司首席运营官兼技术副总裁 张韶峰

由蒋凡执笔翻译的这本《推荐系统》是一本从基础介绍推荐引擎的难得的好书，给人启迪良多。愿越来越多的互联网爱好者认真阅读本书，走在互联网发展大潮的前沿，成为下一代互联网产品真正需要的人才。

——人民搜索商务搜索部总监 常兴龙

读者评价：

这是迄今为止市面上所有讲推荐系统的书中最全面、最实用的一本入门指南。如果你是教这门课的大学老师，万万不能错过这本“推荐系统大全”。尤其值得称道的是，这本书广泛涵盖了不同类型的推荐系统，并对它们逐一进行了鞭辟入里、细致入微的剖析。虽然这本书定位于初中级读者，但是我认为即使是经验丰富的专业人员，也会在其中发现新鲜有趣的内容。

——Robin Burke, 芝加哥德保罗大学教授

本书涵盖了推荐系统领域的全部知识，并为应对未来新的挑战提供了前瞻性建议。书中全面解释了一系列生成推荐的经典算法和方法，概述了源自社交计算和语义网的新手段对推荐系统的作用。希望这本书能够点燃你的激情，释放你的创造力和进取精神，把推荐系统的研究与应用推向新的高度。

——Joseph A. Konstan, 美国明尼苏达大学教授

内容简介：

本书全面阐述了开发最先进推荐系统的方法，其中呈现了许多经典算法，并讨论了如何衡量推荐系统的有效性。书中内容分为基本概念和最新进展两部分：前者涉及协同推荐、基于内容的推荐、基于知识的推荐、混合推荐方法，推荐系统的解释、评估推荐系统和实例分析；后者包括针对推荐系统的攻击、在线消费决策、推荐系统和下一代互联网以及普适环境中的推荐。此外，本书还包含大量的图、表和示例，有助于读者理解和把握相关知识。

本书适用于从事搜索引擎、推荐算法、数据挖掘等研发工作的专业人员以及对推荐系统感兴趣的读者。

作品目录

目　录
第1章　引言 1
1.1 第一部分：基本概念 2
1.1.1 协同过滤推荐 2
1.1.2 基于内容的推荐 2
1.1.3 基于知识的推荐 3
1.1.4 混合推荐方法 4
1.1.5 推荐系统的解释 4
1.1.6 评估推荐系统 4
1.1.7 案例研究 5
1.2 第二部分：最新进展 5
第一部分　基本概念
第2章　协同过滤推荐 8
2.1 基于用户的最近邻推荐 8
2.1.1 第一个例子 8
2.1.2 更好的相似度和赋权体系 10
2.1.3 选择近邻 11
2.2 基于物品的最近邻推荐 11
2.2.1 余弦相似度度量 12
2.2.2 基于物品过滤的数据预处理 13
2.3 关于评分 14
2.3.1 隐式和显式评分 14
2.3.2 数据稀疏和冷启动问题 15
2.4 更多基于模型和预处理的方法 16
2.4.1 矩阵因子分解 17
2.4.2 关联规则挖掘 20
2.4.3 基于概率分析的推荐方法 22
2.5 近来实际的方法和系统 25
2.5.1 Slope One预测器 26
2.5.2 Google新闻个性化推荐引擎 28
2.6 讨论和小结 30
2.7 书目注释 31
第3章　基于内容的推荐 32
3.1 内容表示和相似度 33
3.1.1 向量空间模型和TF-IDF 34
3.1.2 向量空间模型的改进及局限 35
3.2 基于内容相似度检索 36
3.2.1 最近邻 36
3.2.2 相关性反馈——Rocchio方法 37
3.3 其他文本分类方法 40
3.3.1 基于概率模型的方法 40
3.3.2 其他线性分类器和机器学习 43
3.3.3 显式决策模型 44
3.3.4 特征选择 45
3.4 讨论 47
3.4.1 对比评估 47
3.4.2 局限 47
3.5 小结 48
3.6 书目注释 49
第4章　基于知识的推荐 51
4.1 介绍 51
4.2 知识表示法和推理 52
4.2.1 约束 52
4.2.2 实例与相似度 54
4.3 与基于约束推荐系统交互 55
4.3.1 默认设置 55
4.3.2 处理不满意的需求和空结果集 57
4.3.3 提出对未满足需求的修改建议 61
4.3.4 对基于物品/效用推荐结果的排序 61
4.4 与基于实例的推荐系统交互 64
4.4.1 评价 65
4.4.2 混合评价 67
4.4.3 动态评价 67
4.4.4 高级的物品推荐方法 70
4.4.5 评价多样性 71
4.5 应用实例 72
4.5.1 VITA——基于约束的推荐系统 72
4.5.2 Entree——基于实例的推荐系统 77
4.6 书目注释 79
第5章　混合推荐方法 80
5.1 混合推荐的时机 81
5.1.1 推荐理论框架 81
5.1.2 混合设计 82
5.2 整体式混合设计 83
5.2.1 特征组合的混合方案 84
5.2.2 特征补充的混合方案 85
5.3 并行式混合设计 87
5.3.1 交叉式混合 87
5.3.2 加权式混合 88
5.3.3 切换式混合 89
5.4 流水线混合设计 90
5.4.1 串联混合 90
5.4.2 分级混合 91
5.5 讨论和小结 92
5.6 书目注释 92
第6章　推荐系统的解释 94
6.1 介绍 94
6.2 基于约束的推荐系统中的解释 96
6.2.1 实例 97
6.2.2 通过推导生成解释 99
6.2.3 可靠解释的分析与概述 100
6.2.4 可靠解释 102
6.3 基于实例推荐系统的解释 103
6.4 协同过滤推荐系统的解释 106
6.5 小结 108
第7章　评估推荐系统 109
7.1 介绍 109
7.2 评估研究的一般特性 110
7.2.1 总论 110
7.2.2 评估方案的实验对象 111
7.2.3 研究方法 113
7.2.4 评估环境 115
7.3 主流推荐方案 115
7.4 历史数据集评估 116
7.4.1 方法论 116
7.4.2 衡量标准 117
7.4.3 结果的分析 121
7.5 其他评估方案 121
7.5.1 实验性研究方案 122
7.5.2 准实验研究方案 122
7.5.3 非实验研究方案 123
7.6 小结 123
7.7 书目注释 124
第8章　案例分析：移动互联网个性化游戏推荐 125
8.1 应用与个性化概述 126
8.2 算法和评级 128
8.3 评估 128
8.3.1 测量1：我的推荐 129
8.3.2 测量2：售后推荐 131
8.3.3 测量3：起始页推荐 133
8.3.4 测量4：演示版下载的整体效果 135
8.3.5 测量5：整体效果 136
8.4 小结与结论 138
第二部分　最新进展
第9章　针对协同推荐系统的攻击 140
9.1 第一个例子 141
9.2 攻击维度 141
9.3 攻击类型 142
9.3.1 随机攻击 142
9.3.2 均值攻击 143
9.3.3 造势攻击 143
9.3.4 局部攻击 143
9.3.5 针对性的打压攻击 144
9.3.6 点击流攻击和隐式反馈 144
9.4 效果评估和对策 145
9.4.1 推举攻击 145
9.4.2 打压攻击 146
9.5 对策 146
9.6 隐私方面——分布式协同过滤 148
9.6.1 集中方法：数据扰动 149
9.6.2 分布式协同过滤 150
9.7 讨论 153
第10章　在线消费决策 155
10.1 介绍 155
10.2 环境效应 156
10.3 首位/新近效应 159
10.4 其他效应 160
10.5 个人和社会心理学 161
10.6 书目注释 167
第11章　推荐系统和下一代互联网 168
11.1 基于信任网络的推荐系统 169
11.1.1 利用显式的信任网络 169
11.1.2 信任度度量方法和效果 171
11.1.3 相关方法和近期进展 172
11.2 大众分类法及其他 174
11.2.1 基于大众分类法的推荐 174
11.2.2 推荐标签 181
11.2.3 在分享媒体中推荐内容 183
11.3 本体过滤 185
11.3.1 通过分类改进过滤 185
11.3.2 通过属性改进过滤 188
11.4 从网络抽取语义 189
11.5 小结 191
第12章　普适环境中的推荐 192
12.1 介绍 192
12.2 上下文感知推荐 193
12.3 应用领域 195
12.4 小结 197
第13章　总结和展望 198
13.1 总结 198
13.2 展望 198
参考文献 201
索引 223
· · · · · ·

作者简介

作者简介：

Dietmar Jannach

是德国的多特蒙德工业大学（Technische Universität Dortmund）计算机科学系客座教授。他发表过一百多篇科学论文，是《应用智能》杂志编委会和《国际电子商务杂志》评审委员会成员。

Markus Zanker

是奥地利克拉根福阿尔卑斯-亚德里大学（Alpen-Adria Universität Klagenfurt）应用信息学系助理教授及信息管理研究项目主任。他还是《人机交互研究国际杂志》的副主编和 ConfigWorks GmbH的共同创始人及执行总监。

精彩摘录

对于基于用户的推荐系统来说，Pearson相关系数比其他对比用户的方法更胜一筹。不过对于基于物品的推荐技术，余弦相似度方法比Pearson相关度量表现更好。

——引自第10页