當你在網(wǎng)上瀏覽一件商品時，附近總會出現(xiàn)“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(zhì)供應(yīng)極度豐富的時代，對于顧客來說，面對眾多令人眼花繚亂的商品，該選擇哪一個呢？于是，推薦商品起到了關(guān)鍵作用，而這些商品的背后就是推薦系統(tǒng)。
　　推薦系統(tǒng)的出現(xiàn)使人們能夠快速準確地發(fā)現(xiàn)他們感興趣的商品或信息，大大推動了電子商務(wù)的成功以及互聯(lián)網(wǎng)的發(fā)展。推薦系統(tǒng)的應(yīng)用不僅僅局限于電子商務(wù)，隨著技術(shù)的不斷創(chuàng)新，它已經(jīng)滲透進了互聯(lián)網(wǎng)的方方面面，從電影、音樂到社交網(wǎng)絡(luò)、閱讀以及廣告，幾乎每個角落都有推薦系統(tǒng)的身影。在未來的互聯(lián)網(wǎng)發(fā)展中，誰掌握了推薦系統(tǒng)，誰就會是大的贏家。
　　《推薦系統(tǒng)》是一本全面講解推薦系統(tǒng)的經(jīng)典佳作，作者均為該領(lǐng)域的領(lǐng)軍人物。在《推薦系統(tǒng)》中，他們從協(xié)同推薦、基于內(nèi)容的推薦、基于知識的推薦等多個方面，詳細介紹了推薦系統(tǒng)的基本概念，并在第二部分中對推薦系統(tǒng)的新發(fā)展進行了講解。本書對如何開發(fā)先進的推薦系統(tǒng)，如何自動提供各種各樣的選擇策略，進而向客戶提供實惠、個性和高質(zhì)量的推薦做了概述。作者不僅介紹了生成個性化購買建議的算法，還對如何衡量推薦系統(tǒng)的有效性進行了討論，并結(jié)合實際案例研究進行了說明。
　　

　　《推薦系統(tǒng)》全面闡述了開發(fā)先進推薦系統(tǒng)的方法，其中呈現(xiàn)了許多經(jīng)典算法，并討論了如何衡量推薦系統(tǒng)的有效性。書中內(nèi)容分為基本概念和新進展兩部分：前者涉及協(xié)同推薦、基于內(nèi)容的推薦、基于知識的推薦、混合推薦方法，推薦系統(tǒng)的解釋、評估推薦系統(tǒng)和實例分析；后者包括針對推薦系統(tǒng)的攻擊、在線消費決策、推薦系統(tǒng)和下一代互聯(lián)網(wǎng)以及普適環(huán)境中的推薦。此外，本書還包含大量的圖、表和示例，有助于讀者理解和把握相關(guān)知識。
　　《推薦系統(tǒng)》適用于從事搜索引擎、推薦算法、數(shù)據(jù)挖掘等研發(fā)工作的專業(yè)人員以及對推薦系統(tǒng)感興趣的讀者。

　　Dietmar Jannach，德國的多特蒙德工業(yè)大學(xué)（Technische Universit?t Dortmund）計算機科學(xué)系客座教授。他發(fā)表過一百多篇科學(xué)論文，是《應(yīng)用智能》雜志編委會和《國際電子商務(wù)雜志》評審委員會成員。

　　Markus Zanker，是奧地利克拉根福阿爾卑斯-亞德里大學(xué)（Alpen-Adria Universit?t Klagenfurt）應(yīng)用信息學(xué)系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志》的副主編和　  ConfigWorks GmbH的共同創(chuàng)始人及執(zhí)行總監(jiān)。

　　Alexander Felfernig，奧地利格拉茨工業(yè)大學(xué)（Technische Universit?t Graz）教授。他在推薦及配置系統(tǒng)方面的研究成果榮獲2009年度的Heinz Zemanek獎。他發(fā)表過130多篇科學(xué)論文，是《國際電子商務(wù)雜志》的評審委員會成員，ConfigWorks GmbH的共同創(chuàng)始人。

　　Gerhard Friedrich，奧地利克拉根福阿爾卑斯-亞德里大學(xué)客座教授，應(yīng)用信息學(xué)院院長，智能系統(tǒng)和商業(yè)信息課題組組長?！度斯ぶ悄芡ㄐ拧返木庉?，《大規(guī)模定制國際雜志》的副主編。

第1章　引言
1.1　 第一部分：基本概念
1.1.1　 協(xié)同過濾推薦
1.1.2　 基于內(nèi)容的推薦
1.1.3　 基于知識的推薦
1.1.4　 混合推薦方法
1.1.5　 推薦系統(tǒng)的解釋
1.1.6　 評估推薦系統(tǒng)
1.1.7　 案例研究
1.2　 第二部分：最新進展

第一部分　基本概念
第2章　協(xié)同過濾推薦
2.1　 基于用戶的最近鄰?fù)扑]
2.1.1　 第一個例子
2.1.2　 更好的相似度和賦權(quán)體系
2.1.3　 選擇近鄰
2.2　 基于物品的最近鄰?fù)扑]
2.2.1　 余弦相似度度量
2.2.2　 基于物品過濾的數(shù)據(jù)預(yù)處理
2.3　 關(guān)于評分
2.3.1　 隱式和顯式評分
2.3.2　 數(shù)據(jù)稀疏和冷啟動問題
2.4　 更多基于模型和預(yù)處理的方法
2.4.1　 矩陣因子分解
2.4.2　 關(guān)聯(lián)規(guī)則挖掘
2.4.3　 基于概率分析的推薦方法
2.5　 近來實際的方法和系統(tǒng)
2.5.1　 Slope One預(yù)測器
2.5.2　 Google新聞個性化推薦引擎
2.6　 討論和小結(jié)
2.7　 書目注釋

第3章　基于內(nèi)容的推薦
3.1　 內(nèi)容表示和相似度
3.1.1　 向量空間模型和TF-IDF
3.1.2　 向量空間模型的改進及局限
3.2　 基于內(nèi)容相似度檢索
3.2.1　 最近鄰
3.2.2　 相關(guān)性反饋--Rocchio方法
3.3　 其他文本分類方法
3.3.1　 基于概率模型的方法
3.3.2　 其他線性分類器和機器學(xué)習(xí)
3.3.3　 顯式?jīng)Q策模型
3.3.4　 特征選擇
3.4　 討論
3.4.1　 對比評估
3.4.2　 局限
3.5　 小結(jié)
3.6　 書目注釋

第4章　基于知識的推薦
4.1　 介紹
4.2　 知識表示法和推理
4.2.1　 約束
4.2.2　 實例與相似度
4.3　 與基于約束推薦系統(tǒng)交互
4.3.1　 默認設(shè)置
4.3.2　 處理不滿意的需求和空結(jié)果集
4.3.3　 提出對未滿足需求的修改建議
4.3.4　 對基于物品/效用推薦結(jié)果的排序
4.4　 與基于實例的推薦系統(tǒng)交互
4.4.1　 評價
4.4.2　 混合評價
4.4.3　 動態(tài)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(yīng)用實例
4.5.1　 VITA--基于約束的推薦系統(tǒng)
4.5.2　 Entree--基于實例的推薦系統(tǒng)
4.6　 書目注釋

第5章　混合推薦方法
5.1　 混合推薦的時機
5.1.1　 推薦理論框架
5.1.2　 混合設(shè)計
5.2　 整體式混合設(shè)計
5.2.1　 特征組合的混合方案
5.2.2　 特征補充的混合方案
5.3　 并行式混合設(shè)計
5.3.1　 交叉式混合
5.3.2　 加權(quán)式混合
5.3.3　 切換式混合
5.4　 流水線混合設(shè)計
5.4.1　 串聯(lián)混合
5.4.2　 分級混合
5.5　 討論和小結(jié)
5.6　 書目注釋

第6章　推薦系統(tǒng)的解釋
6.1　 介紹
6.2　 基于約束的推薦系統(tǒng)中的解釋
6.2.1　 實例
6.2.2　 通過推導(dǎo)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　 基于實例推薦系統(tǒng)的解釋
6.4　 協(xié)同過濾推薦系統(tǒng)的解釋
6.5　 小結(jié)

第7章　評估推薦系統(tǒng)
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(huán)境
7.3　 主流推薦方案
7.4　 歷史數(shù)據(jù)集評估
7.4.1　 方法論
7.4.2　 衡量標準
7.4.3　 結(jié)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(jié)
7.7　 書目注釋

第8章　案例分析：移動互聯(lián)網(wǎng)個性化游戲推薦
8.1　 應(yīng)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：售后推薦
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(jié)與結(jié)論

第二部分　最新進展
第9章　針對協(xié)同推薦系統(tǒng)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　 隱私方面--分布式協(xié)同過濾
9.6.1　 集中方法：數(shù)據(jù)擾動
9.6.2　 分布式協(xié)同過濾
9.7　 討論

第10章　在線消費決策
10.1　 介紹
10.2　 環(huán)境效應(yīng)
10.3　 首位/新近效應(yīng)
10.4　 其他效應(yīng)
10.5　 個人和社會心理學(xué)
10.6　 書目注釋

第11章　推薦系統(tǒng)和下一代互聯(lián)網(wǎng)
11.1　 基于信任網(wǎng)絡(luò)的推薦系統(tǒng)
11.1.1　 利用顯式的信任網(wǎng)絡(luò)
11.1.2　 信任度度量方法和效果
11.1.3　 相關(guān)方法和近期進展
11.2　 大眾分類法及其他
11.2.1　 基于大眾分類法的推薦
11.2.2　 推薦標簽
11.2.3　 在分享媒體中推薦內(nèi)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(wǎng)絡(luò)抽取語義
11.5　 小結(jié)

第12章　普適環(huán)境中的推薦
12.1　 介紹
12.2　 上下文感知推薦
12.3　 應(yīng)用領(lǐng)域
12.4　 小結(jié)

第13章　總結(jié)和展望
13.1　 總結(jié)
13.2　 展望
參考文獻
索引