Dietmar Jannach是德國的多特蒙德工業大學（Technische Universit?tDortmund）計算機科學繫客座教授。他發表過一百多篇科學論文，是《應用智能》雜志編委會和《國際電子商務雜志》評審委員會成員。
Markus Zanker是奧地利克拉根福阿爾卑斯-亞德裡大學（Alpen-Adria Universit?tKlagenfurt）應用信息學繫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ConfigWorksGmbH的共同創始人及執行總監。
Alexander Felfernig是奧地利格拉茨工業大學（Technische Universit?tGraz）教授。他在推薦及配置繫統方面的研究成果榮獲2009年度的HeinzZemanek獎。他發表過130多篇科學論文，是《國際電子商務雜志》的評審委員會成員，ConfigWorksGmbH的共同創始人。
GerhardFriedrich是奧地利克拉根福阿爾卑斯-亞德裡大學客座教授，應用信息學院院長，智能繫統和商業信息課題組組長。《人工智能通信》的編輯，《大規模定制國際雜志》的副主編。

第1章引言

1.1第一部分：基本概念

1.1.1協同過濾推薦

1.1.2基於內容的推薦

1.1.3基於知識的推薦

1.1.4混合推薦方法

1.1.5推薦繫統的解釋

1.1.6評估推薦繫統

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繫

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數據稀疏和冷啟動問題

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近來實際的方法和繫統

2.5.1Slope One預測器

2.5.2Google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其他線性分類器和機器學習

3.3.3顯式決策模型

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

3.6書目注釋

第4章基於知識的推薦

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與基於約束推薦繫統交互

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提出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與基於實例的推薦繫統交互

4.4.1評價

4.4.2混合評價

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

4.5.1VITA——基於約束的推薦繫統

4.5.2Entree——基於實例的推薦繫統

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混合設計

5.2整體式混合設計

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並行式混合設計

5.3.1交叉式混合

5.3.2加權式混合

5.3.3切換式混合

5.4流水線混合設計

5.4.1串聯混合

5.4.2分級混合

5.5討論和小結

5.6書目注釋

第6章推薦繫統的解釋

6.1介紹

6.2基於約束的推薦繫統中的解釋

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基於實例推薦繫統的解釋

6.4協同過濾推薦繫統的解釋

6.5小結

第7章評估推薦繫統

7.1介紹

7.2評估研究的一般特性

7.2.1總論

7.2.2評估方案的實驗對像

7.2.3研究方法

7.2.4評估環境

7.3主流推薦方案

7.4歷史數據集評估

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章針對協同推薦繫統的攻擊

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隱私方面——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章在線消費決策

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章推薦繫統和下一代互聯網

11.1基於信任網絡的推薦繫統

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

通過對本書的學習，讀者不僅可以全面繫統地了解該領域的基礎原理，還能試驗如何搭建一套真正的推薦繫統。

—— 百度主任架構師、百度技術委員會主席 廖若雪

本書比較全面地介紹了推薦繫統涉及的相關知識點，很適合對於推薦繫統感興趣的相關人員作為入門教程，目前能夠繫統全面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家 張俊林

本書不但介紹了比較成熟的經典算法，還介紹了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《推薦繫統》是一本從基礎介紹推薦引擎的難得的好書，給人啟迪良多。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，成為下一代互聯網產品真正需要的人纔。

——人民搜索商務搜索部總監 常興龍

這是迄今為止市面上所有講推薦繫統的書中最全面、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“推薦繫統大全”。尤其值得稱道的是，這本書廣泛涵蓋了不同類型的推薦繫統，並對它們逐一進行了鞭闢入裡、細致入微的剖析。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

本書涵蓋了推薦繫統領域的全部知識，並為應對未來新的挑戰提供了前瞻性建議。書中全面解釋了一繫列生成推薦的經典算法和方法，概述了源自社交計算和語義網的新手段對推薦繫統的作用。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，把推薦繫統的研究與應用推向新的高度。

——Joseph A. Konstan, 美國明尼蘇達大學教授

當你在當當網或*網上瀏覽一件商品時，附近總會出現“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，面對眾多令人眼花繚亂的商品，該選擇哪一個呢？於是，推薦商品起到了關鍵作用，而這些商品的背後就是推薦繫統。

【前言】

“我該買哪款數碼相機？我們全家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，如何對未來做出決策時都會提出這樣的問題，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、雇用專家團隊、在互聯網上咨詢、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歷：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致困惑，而不能做出迅速而正確的決定。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出正確的決策該有多好啊！

構建支持用戶在線決策的繫統正是推薦繫統領域的主要目標。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。盡管推薦繫統的目標是用戶的個人決策，但大量的應用使得該繫統在更廣泛的意義上產生了重要影響，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，因為掌握推薦繫統就可以在更廣泛的意義上控制市場。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，推薦繫統是為那些負擔不起或不願為專家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，做出好決策的目標還包括要超越該領域的專家。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，我們能否開發出一個繫統，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、匹配度高的產品是推薦領域的核心問題，這也對技術和心理學提出了很多挑戰。盡管在技術層面上，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，必須考慮到心理層面的因素。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，推薦繫統不能被簡化為簡單的決策理論概念。

現在被稱為“推薦繫統”的軟件最早出現於十五年前。從那時起，研究人員不斷地開發實現推薦繫統的新方法。今天，我們中的大多數人已經習慣於推薦繫統的服務，比如Amazon.com使用的推薦引擎。歷史上，推薦繫統由於應用了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年代的專家繫統。然而，推薦繫統的應用範圍遠遠超過了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，比如金融產品、房地產、電子消費產品、電影、書籍、音樂、新聞和Web站點等等。

本書介紹了很多推薦繫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繫統的專業人士和IT專家。更多的高級資料可以在《推薦繫統手冊》（RecommenderSystems Handbook , Ricci et al.2010）中找到，書中全面收錄了這一領域先行者的研究成果。

本書由兩部分組成。第一部分先是總結了實現推薦繫統的基本方法，並討論了它們各自的優點和缺點。除了描述如何構建這樣的繫統，我們還重點討論了評估推薦精準度和通過在線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，涉及了諸如推薦繫統信任度和基於Web2.0及語義網技術的新興應用。配合本書主題內容的教學資料可以從http://www.recommenderbook.net/獲取。

我們感謝所有對本書做出貢獻的人，特別是劍橋大學出版社的Heather Bergman和LaurenCowles，他們在整個編輯過程中為我們提供了支持。也要特別感謝Arthur Pitman、KostyantynShchekotykhin、Carla Delgado-Battenfeld和FatihGedikli，是他們幫助校對了原稿。還要感謝幾位學術同事幫助審核，並給了我們很多有益的反饋。

Dietmar Jannach

Markus Zanker

Alexander Felfernig

Gerhard Friedrich

2010年分別於多特蒙德，克拉根福，格拉茨

……