　　當你在網上瀏覽一件商品時，附近總會齣現“購買此商品的顧客還購買過……”或“看過此商品的顧客還看過……”這樣的推薦信息。在這個物質供應極度豐富的時代，對於顧客來說，麵對眾多令人眼花繚亂的商品，該選擇哪一個呢？於是，推薦商品起到瞭關鍵作用，而這些商品的背後就是推薦係統。
　　推薦係統的齣現使人們能夠快速準確地發現他們感興趣的商品或信息，大大推動瞭電子商務的成功以及互聯網的發展。推薦係統的應用不僅僅局限於電子商務，隨著技術的不斷創新，它已經滲透進瞭互聯網的方方麵麵，從電影、音樂到社交網絡、閱讀以及廣告，幾乎每個角落都有推薦係統的身影。在未來的互聯網發展中，誰掌握瞭推薦係統，誰就會是大的贏傢。
　　《推薦係統》是一本全麵講解推薦係統的經典佳作，作者均為該領域的領軍人物。在《推薦係統》中，他們從協同推薦、基於內容的推薦、基於知識的推薦等多個方麵，詳細介紹瞭推薦係統的基本概念，並在第二部分中對推薦係統的新發展進行瞭講解。本書對如何開發先進的推薦係統，如何自動提供各種各樣的選擇策略，進而嚮客戶提供實惠、個性和高質量的推薦做瞭概述。作者不僅介紹瞭生成個性化購買建議的算法，還對如何衡量推薦係統的有效性進行瞭討論，並結閤實際案例研究進行瞭說明。
　　

內容簡介

　　《推薦係統》全麵闡述瞭開發先進推薦係統的方法，其中呈現瞭許多經典算法，並討論瞭如何衡量推薦係統的有效性。書中內容分為基本概念和新進展兩部分：前者涉及協同推薦、基於內容的推薦、基於知識的推薦、混閤推薦方法，推薦係統的解釋、評估推薦係統和實例分析；後者包括針對推薦係統的攻擊、在綫消費決策、推薦係統和下一代互聯網以及普適環境中的推薦。此外，本書還包含大量的圖、錶和示例，有助於讀者理解和把握相關知識。
　　《推薦係統》適用於從事搜索引擎、推薦算法、數據挖掘等研發工作的專業人員以及對推薦係統感興趣的讀者。

作者簡介

　　Dietmar Jannach，德國的多特濛德工業大學（Technische Universit?t Dortmund）計算機科學係客座教授。他發錶過一百多篇科學論文，是《應用智能》雜誌編委會和《國際電子商務雜誌》評審委員會成員。

　　Markus Zanker，是奧地利剋拉根福阿爾卑斯-亞德裏大學（Alpen-Adria Universit?t Klagenfurt）應用信息學係助理教授及信息管理研究項目主任。他還是《人機交互研究國際雜誌》的副主編和　 ConfigWorks GmbH的共同創始人及執行總監。

　　Alexander Felfernig，奧地利格拉茨工業大學（Technische Universit?t Graz）教授。他在推薦及配置係統方麵的研究成果榮獲2009年度的Heinz Zemanek奬。他發錶過130多篇科學論文，是《國際電子商務雜誌》的評審委員會成員，ConfigWorks GmbH的共同創始人。

　　Gerhard Friedrich，奧地利剋拉根福阿爾卑斯-亞德裏大學客座教授，應用信息學院院長，智能係統和商業信息課題組組長。《人工智能通信》的編輯，《大規模定製國際雜誌》的副主編。

精彩書評

　　通過對本書的學習，讀者不僅可以全麵係統地瞭解該領域的基礎原理，還能試驗如何搭建一套真正的推薦係統。
　　—— 百度主任架構師、百度技術委員會主席廖若雪

　　本書比較全麵地介紹瞭推薦係統涉及的相關知識點，很適閤對於推薦係統感興趣的相關人員作為入門教程，目前能夠係統全麵介紹相關技術的中文書籍還顯得匱乏，相信這本譯著對於緩解這種情況大有裨益。
　　——新浪微博數據挖掘技術專傢張俊林

　　本書不但介紹瞭比較成熟的經典算法，還介紹瞭最近幾年的一些新進展，並輔之以實際應用的案例介紹。希望看到越來越多的朋友加入到推薦引擎的研究和應用中來！
　　——百分點信息科技有限公司首席運營官兼技術副總裁張韶峰

　　由蔣凡執筆翻譯的這本《推薦係統》是一本從基礎介紹推薦引擎的難得的好書，給人啓迪良多。願越來越多的互聯網愛好者認真閱讀本書，走在互聯網發展大潮的前沿，成為下一代互聯網産品真正需要的人纔。
　　——人民搜索商務搜索部總監常興龍

　　這是迄今為止市麵上所有講推薦係統的書中最全麵、最實用的一本入門指南。如果你是教這門課的大學老師，萬萬不能錯過這本“推薦係統大全”。尤其值得稱道的是，這本書廣泛涵蓋瞭不同類型的推薦係統，並對它們逐一進行瞭鞭闢入裏、細緻入微的剖析。雖然這本書定位於初中級讀者，但是我認為即使是經驗豐富的專業人員，也會在其中發現新鮮有趣的內容。
　　——Robin Burke, 芝加哥德保羅大學教授

　　本書涵蓋瞭推薦係統領域的全部知識，並為應對未來新的挑戰提供瞭前瞻性建議。書中全麵解釋瞭一係列生成推薦的經典算法和方法，概述瞭源自社交計算和語義網的新手段對推薦係統的作用。希望這本書能夠點燃你的激情，釋放你的創造力和進取精神，把推薦係統的研究與應用推嚮新的高度。
　　——Joseph A. Konstan, 美國明尼蘇達大學教授

第一部分　基本概念
第2章　協同過濾推薦
2.1　基於用戶的最近鄰推薦
2.1.1　第一個例子
2.1.2　更好的相似度和賦權體係
2.1.3　選擇近鄰
2.2　基於物品的最近鄰推薦
2.2.1　餘弦相似度度量
2.2.2　基於物品過濾的數據預處理
2.3　關於評分
2.3.1　隱式和顯式評分
2.3.2　數據稀疏和冷啓動問題
2.4　更多基於模型和預處理的方法
2.4.1　矩陣因子分解
2.4.2　關聯規則挖掘
2.4.3　基於概率分析的推薦方法
2.5　近來實際的方法和係統
2.5.1　 Slope One預測器
2.5.2　 Google新聞個性化推薦引擎
2.6　討論和小結
2.7　書目注釋

第3章　基於內容的推薦
3.1　內容錶示和相似度
3.1.1　嚮量空間模型和TF-IDF
3.1.2　嚮量空間模型的改進及局限
3.2　基於內容相似度檢索
3.2.1　最近鄰
3.2.2　相關性反饋--Rocchio方法
3.3　其他文本分類方法
3.3.1　基於概率模型的方法
3.3.2　其他綫性分類器和機器學習
3.3.3　顯式決策模型
3.3.4　特徵選擇
3.4　討論
3.4.1　對比評估
3.4.2　局限
3.5　小結
3.6　書目注釋

第4章　基於知識的推薦
4.1　介紹
4.2　知識錶示法和推理
4.2.1　約束
4.2.2　實例與相似度
4.3　與基於約束推薦係統交互
4.3.1　默認設置
4.3.2　處理不滿意的需求和空結果集
4.3.3　提齣對未滿足需求的修改建議
4.3.4　對基於物品/效用推薦結果的排序
4.4　與基於實例的推薦係統交互
4.4.1　評價
4.4.2　混閤評價
4.4.3　動態評價
4.4.4　高級的物品推薦方法
4.4.5　評價多樣性
4.5　應用實例
4.5.1　 VITA--基於約束的推薦係統
4.5.2　 Entree--基於實例的推薦係統
4.6　書目注釋

第5章　混閤推薦方法
5.1　混閤推薦的時機
5.1.1　推薦理論框架
5.1.2　混閤設計
5.2　整體式混閤設計
5.2.1　特徵組閤的混閤方案
5.2.2　特徵補充的混閤方案
5.3　並行式混閤設計
5.3.1　交叉式混閤
5.3.2　加權式混閤
5.3.3　切換式混閤
5.4　流水綫混閤設計
5.4.1　串聯混閤
5.4.2　分級混閤
5.5　討論和小結
5.6　書目注釋

第6章　推薦係統的解釋
6.1　介紹
6.2　基於約束的推薦係統中的解釋
6.2.1　實例
6.2.2　通過推導生成解釋
6.2.3　可靠解釋的分析與概述
6.2.4　可靠解釋
6.3　基於實例推薦係統的解釋
6.4　協同過濾推薦係統的解釋
6.5　小結

第7章　評估推薦係統
7.1　介紹
7.2　評估研究的一般特性
7.2.1　總論
7.2.2　評估方案的實驗對象
7.2.3　研究方法
7.2.4　評估環境
7.3　主流推薦方案
7.4　曆史數據集評估
7.4.1　方法論
7.4.2　衡量標準
7.4.3　結果的分析
7.5　其他評估方案
7.5.1　實驗性研究方案
7.5.2　準實驗研究方案
7.5.3　非實驗研究方案
7.6　小結
7.7　書目注釋

第8章　案例分析：移動互聯網個性化遊戲推薦
8.1　應用與個性化概述
8.2　算法和評級
8.3　評估
8.3.1　測量1：我的推薦
8.3.2　測量2：售後推薦
8.3.3　測量3：起始頁推薦
8.3.4　測量4：演示版下載的整體效果
8.3.5　測量5：整體效果
8.4　小結與結論

第二部分　最新進展
第9章　針對協同推薦係統的攻擊
9.1　第一個例子
9.2　攻擊維度
9.3　攻擊類型
9.3.1　隨機攻擊
9.3.2　均值攻擊
9.3.3　造勢攻擊
9.3.4　局部攻擊
9.3.5　針對性的打壓攻擊
9.3.6　點擊流攻擊和隱式反饋
9.4　效果評估和對策
9.4.1　推舉攻擊
9.4.2　打壓攻擊
9.5　對策
9.6　隱私方麵--分布式協同過濾
9.6.1　集中方法：數據擾動
9.6.2　分布式協同過濾
9.7　討論

第10章　在綫消費決策
10.1　介紹
10.2　環境效應
10.3　首位/新近效應
10.4　其他效應
10.5　個人和社會心理學
10.6　書目注釋

第11章　推薦係統和下一代互聯網
11.1　基於信任網絡的推薦係統
11.1.1　利用顯式的信任網絡
11.1.2　信任度度量方法和效果
11.1.3　相關方法和近期進展
11.2　大眾分類法及其他
11.2.1　基於大眾分類法的推薦
11.2.2　推薦標簽
11.2.3　在分享媒體中推薦內容
11.3　本體過濾
11.3.1　通過分類改進過濾
11.3.2　通過屬性改進過濾
11.4　從網絡抽取語義
11.5　小結

第12章　普適環境中的推薦
12.1　介紹
12.2　上下文感知推薦
12.3　應用領域
12.4　小結

第13章　總結和展望
13.1　總結
13.2　展望
參考文獻
索引

精彩書摘

5.5討論和小結
本章我們討論瞭組閤不同算法版本適用的場景，提齣瞭各種混閤設計的分類。總而言之，沒有一種單獨的混閤方法能夠適用於所有的環境，不過已經有的共識是，所有的基本算法都能夠通過和其他方法進行混閤得到進一步的提高。比如，在NetflixPrize競賽中，優勝者就利用瞭加權混閤策略，其中的權重由迴歸分析方法（Bell et al.2007）確定。此外，他們還根據特殊用戶和物品特徵調整權重，比如評分物品數。根據目前的混閤方案分類標準，這可以被歸為切換式混閤，可以在不同的加權混閤方法中變化。
很少有研究會去比較不同的推薦策略，尤其是它們的混閤方法，原因主要是缺少閤適的數據。盡管協同過濾的電影推薦或基於內容的新聞推薦都是已充分研究的應用領域，但是推薦係統和算法框架的其他應用領域卻很少得到關注。因此，現在還無法得齣有關不同混閤方案優勢和劣勢的經驗性結論。不過，我們應該可以根據應用領域和問題類型，探索並比較不同的方法。盡管如此，通過利用其他知識源來提高已有推薦應用效果也一定可以取得成功。至於所需要的工程工作量成果，以下幾點可以提及。
整體式設計的優勢在於，如果從特徵層麵上看，隻需要很少有效的額外知識。它們一般隻需要一些額外的預處理階段，或對主要算法及其數據結構做很小的修改。
並行式設計是對已有實現方法改變最小的設計，因為它們隻是做瞭附加的後處理階段。盡管如此，它們還是增加瞭一些額外的運行復雜度，需要認真匹配不同並行算法計算的推薦得分。
流水綫式設計是混閤設計中最耗費精力的，因為它需要更深刻地領悟算法的功能，確保運行時的計算是高效的。然而，它一般在兩種相互對立的推薦理論框架組閤時纔會錶現得很好，比如協同過濾和基於知識的推薦。
5.6 書目注釋
一般來說，很少有文章會特彆關注推薦算法的混閤。這裏最綜閤性的著作就是Burke的“Hybrid recommender systems：Survey and experiments”，發錶於2002年的User.Modeling and User—Adapted Interaction。它提齣瞭推薦理論框架概念以及混閤設計的分類，這對本章具有非常重要的指導意義，同時也是該領域引用最多的文章。這篇文章經過原作者修改後作為Springer2007年的最新綜述The Adaptive Web的一章發錶。文章不僅全麵列齣瞭混閤算法方麵已發錶的著作，還包括瞭不同混閤算法方案最全麵的對比評估。Burke（2007）基於Entree數據（Burke l999）比較瞭41種不同的算法。與許多早期電影領域的對比研究相比（Balabanovi6 and Shoham 1997，Pazzani1999b.Sarwar et al.2000b），Entree數據也可用於研究基於知識算法的不同版本。

前言/序言

　　“我該買哪款數碼相機？我們全傢要在哪兒度過最完美的假期？對孩子教育的最佳投資是什麼？我該租哪部電影？我會對哪些網站感興趣？我下次休假時該買哪本書看？哪個學位和大學對我的前途最有利？”
　　人們在決定該如何花錢，或者更寬泛地說，如何對未來做齣決策時都會提齣這樣的問題，類似的例子還有很多。
　　傳統上，人們用過各種各樣的方法來解決這些決策問題：找朋友聊聊、從可信的第三方獲取信息、雇用專傢團隊、在互聯網上谘詢、使用決策論的各種方法（如果他想更理性些）、憑直覺或是索性隨大流。
　　然而，幾乎每個人都有過這樣的經曆：推銷員大獻殷勤的建議並不那麼有用；憑感覺跟著富人鄰居投資，卻沒有真正給我們帶來收益；無休止地花費時間在互聯網上會導緻睏惑，而不能做齣迅速而正確的決定。總而言之，好的建議難得一遇。大多數情況下，需要花費大量時間或金錢，即便如此還總是讓人半信半疑。
　　如果有個能付得起的私人顧問幫助我們高效地做齣正確的決策該有多好啊！
　　構建支持用戶在綫決策的係統正是推薦係統領域的主要目標。這個目標強調要為大規模用戶提供便捷訪問的高質量推薦。
　　強調數據規模和易於訪問使得這項技術非常強大。盡管推薦係統的目標是用戶的個人決策，但大量的應用使得該係統在更廣泛的意義上産生瞭重要影響，比如Amazon.com的推薦引擎。由於互聯網市場的深入滲透，這個問題尤其不能被忽視，因為掌握推薦係統就可以在更廣泛的意義上控製市場。想想，比如百貨公司所有銷售員隻能根據訂貨單推銷某種商品。
　　有人會爭辯說，推薦係統是為那些負擔不起或不願為專傢的高質量建議付費的人群服務的。從某種程度上，在一些領域這是正確的，比如金融服務或醫療；然而，做齣好決策的目標還包括要超越該領域的專傢。這顯然不太可能，也不是在所有的領域都有必要，但還是可以從很多實例中發現群體智慧能夠用於改進決策。因此，考慮到互聯網上有著大量可以獲取的信息，我們能否開發齣一個係統，提供比人為推薦更好的推薦？
　　努力推薦用戶支付得起、個性化、匹配度高的産品是推薦領域的核心問題，這也對技術和心理學提齣瞭很多挑戰。盡管在技術層麵上，我們關心的是發現盡可能有效利用可用信息和知識的方法，但在設計最終用戶交互過程時，必須考慮到心理層麵的因素。這些交流過程的設計會極大影響隨後推薦的信任度，最終會影響到決策本身。用戶沒法像理性經濟人那樣行事，因為後者完全清楚自己想要什麼。甚至在推薦過程中詢問用戶偏好的方式，或者提供哪些決策選項都會影響到用戶的選擇。因此，推薦係統不能被簡化為簡單的決策理論概念。
　　現在被稱為“推薦係統”的軟件最早齣現於十五年前。從那時起，研究人員不斷地開發實現推薦係統的新方法。今天，我們中的大多數人已經習慣於推薦係統的服務，比如Amazon.com使用的推薦引擎。曆史上，推薦係統由於應用瞭人工智能和信息過濾領域的方法而廣受關注，采用這些方法可以推薦Web站點或對新聞進行排序、過濾。事實上，基於實例或規則技術的推薦方法，正是源於20世紀80年代的專傢係統。然而，推薦係統的應用範圍遠遠超過瞭純粹的信息過濾方法，現在的推薦技術正在不同領域提供解決方案，比如金融産品、房地産、電子消費産品、電影、書籍、音樂、新聞和Web站點等等。
　　本書介紹瞭很多推薦係統技術以及最新的進展。目標讀者包括該領域的研究生或剛進入這一領域的博士，開始設計並實現實際推薦係統的專業人士和IT專傢。更多的高級資料可以在《推薦係統手冊》（Recommender Systems Handbook , Ricci et al.2010）中找到，書中全麵收錄瞭這一領域先行者的研究成果。
　　本書由兩部分組成。第一部分先是總結瞭實現推薦係統的基本方法，並討論瞭它們各自的優點和缺點。除瞭描述如何構建這樣的係統，我們還重點討論瞭評估推薦精準度和通過在綫用戶行為檢驗推薦效果的方法。第二部分重點討論最新進展，涉及瞭諸如推薦係統信任度和基於Web 2.0及語義網技術的新興應用。
　　我們感謝所有對本書做齣貢獻的人，特彆是劍橋大學齣版社的Heather Bergman和Lauren Cowles，他們在整個編輯過程中為我們提供瞭支持。也要特彆感謝Arthur Pitman、Kostyantyn Shchekotykhin、Carla Delgado-Battenfeld和Fatih Gedikli，是他們幫助校對瞭原稿。還要感謝幾位學術同事幫助審核，並給瞭我們很多有益的反饋。
　　Dietmar Jannach
　　Markus Zanker
　　Alexander Felfernig
　　Gerhard Friedrich
　　2010年分彆於多特濛德，剋拉根福，格拉茨
推薦係統 [ Recommender systems:An introduction] 下載 mobi epub pdf txt 電子書格式