推荐系统
出版社:人民邮电出版社
出版日期:2013-6-25
ISBN:9787115310699
作者:[奥地利] Dietmar Jannach,Markus Zanker,Alexander Felfernig,Gerhard Friedrich
页数:244页
作者简介
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。
书籍目录
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
编辑推荐
詹尼士所著的《推荐系统》这是一本全面介绍推荐系统概念、源流、算法的专业著作，体系完整，贴近实用，结合很多实例告诉你如何尽快地将推荐系统领域里的成熟算法运用起来构建应用。著名的推荐系统MovieLens的创始人Joseph A．Konstan教授还特地为本书撰写了序。因此这本书非常适合刚刚进入推荐系统领域，希望了解一些成熟算法，解决实际问题的工程师学习使用。 本书更有价值的第二部分介绍了推荐系统在防攻击、消费决策、社交网络和移动四个前沿领域的研究进展，收录了很多已经在实际商业产品中经过反复验证的套路和经验。本书取之有据，言之成理，非常适合希望能在国内各类推荐应用中少走弯路，尽快发挥推荐系统作用的产品负责人参考。
内容概要
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。
发布书评
精彩书评 (总计5条)
-
随着电子商务逐渐发展壮大，B2C的网站更是层出不穷，推荐系统越来越受到网络企业的重视。分析推荐系统日益流行的原因，总的来说有以下几个方面：1、信息过剩和知识稀缺Internet的迅速发展，为信息量的惊人膨胀提供了的土壤。大量的有用信息虽然为人们提供了更多的价值，然而信息的泛滥也意味着为了寻找合适的信息必须付出更大的成本。事实上，调查发现仅仅通过浏览和简单的查询来寻找有用的信息变得相当困难，在某种程度上过量的信息意味着信息缺乏，因此就需要某种工具来迅速找到所需要的信息来辅助决策，防止顾客迷失。2、大规模定制顾客对于产品和服务的要求越来越高，老福特的“黑色就是所有的颜色”早已不再适用，顾客更加期望能够得到个性化和多样化的产品和服务；另一方面，利用信息技术的发展来满足顾客的期望，大规模制造逐渐被大规模定制代替。推荐系统可以利用信息技术带来的便利，针对顾客的情况提供合适的建议，日益受到企业的关注。3、电子商务的发展电子商务的发展进一步促进了推荐系统的应用。当网上交易非常流行时，一些研究人员提出了1对1营销的理念。1对1营销非常关注顾客的忠诚度，试图通过利用信息技术的优势为顾客提供不同的服务。推荐系统为顾客提供量身定做的服务。事实上，许多网络公司正在试图利用电子推荐系统提高顾客的满意度和忠诚度，如Amazon网上书店用Net Perception公司的配书（book matcher）软件，根据顾客表达的偏好和以前的选择方式，为顾客提供种种推荐用书。当推荐系统发展到一定阶段，每个用户在浏览电子商务网站时也许都有是该网站唯一用户的感觉。剔除了不感兴趣、不相干的广告等内容，映入眼帘的全是自己感兴趣的、极想得到的商品。这一天，也许很快就会到来！因为推荐系统已从实验室中走出。除了众多的B2C网站外， Google等搜索引擎也在努力开发个性化搜索引擎，以根据用户以前搜索的内容推测用户的喜好，从而能为用户提供更准确的搜索结果。在网络交易量不断增长的时代，已经出现了很多实用的电子商务推荐系统。其中非常著名的Amazon推荐系统，它能够利用顾客期望的产品单、购物车、顾客提交的评价以及购买记录等，为顾客推荐适合的产品，提供多项推荐服务，如Customers who Bought、Eyes、Book Matcher和Customer Comments等。Net Perceptions公司则提供基于GroupLens技术的推荐系统。国内的京东商城、当当书店、新风雨和China-pub也提供书评和等级评分等多种推荐方式，为网站增加了许多吸引力。那么何为个性化推荐系统呢？个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。个性化推荐系统的发展历史：1995年3月，卡耐基.梅隆大学的RobertArmstrong等人在美国人工智能协会上提出了个性化导航系统Web Watcher；斯坦福大学的MarkoBalabanovic等人在同一会议上推出了个性化推荐系统LIRA；1995年8月，麻省理工学院的Henry Lieberman在国际人工智能联合大会（IJCAI）上提出了个性化导航智能体Letizia；1996年， Yahoo 推出了个性化入口My Yahoo；1997年，AT&T实验室提出了基于协作过滤的个性化推荐系统PHOAKS和Referral Web;1999年，德国Dresden技术大学的Tanja Joerding实现了个性化电子商务原型系统TELLIM；2000年，NEC研究院的Kurt等人为搜索引擎CiteSeer增加了个性化推荐功能；2001年，纽约大学的Gediminas Adoavicius和Alexander Tuzhilin实现了个性化电子商务网站的用户建模系统1：1Pro；2001年，IBM公司在其电子商务平台Websphere中增加了个性化功能，以便商家开发个性化电子商务网站。2003年，Google开创了AdWards盈利模式，通过用户搜索的关键词来提供相关的广告。AdWords的点击率很高，是Google广告收入的主要来源。2007年3月开始，Google为AdWords添加了个性化元素。不仅仅关注单次搜索的关键词，而是对用户一段时间内的搜索历史进行记录和分析，据此了解用户的喜好和需求，更为精确地呈现相关的广告内容。2007年，雅虎推出了SmartAds广告方案。雅虎掌握了海量的用户信息，如用户的性别、年龄、收入水平、地理位置以及生活方式等，再加上对用户搜索、浏览行为的记录，使得雅虎可以为用户呈现个性化的横幅广告。2009年，Overstock（美国著名的网上零售商）开始运用ChoiceStream公司制作的个性化横幅广告方案，在一些高流量的网站上投放产品广告。 Overstock在运行这项个性化横幅广告的初期就取得了惊人的成果，公司称：“广告的点击率是以前的两倍，伴随而来的销售增长也高达20%至30%。”2011年9月，百度世界大会2011上，李彦宏将推荐引擎与云计算、搜索引擎并列为未来互联网重要战略规划以及发展方向。百度新首页将逐步实现个性化，智能地推荐出用户喜欢的网站和经常使用的APP。主要方法：(《推荐系统》图书里讲解细致)协同过滤推荐 （可试读）基于内容的推荐基于知识的推荐混合推荐方法想要了解更多关于个性化推荐系统的内容、方法、案例以及最新进展等，《推荐系统》不能错过！它是你踏上个性化推荐系统的基石，是有助于你掌握和正确运用推荐系统的最佳图书。原文链接地址：http://www.ituring.com.cn/article/44263 -
第十章158页的表10-7怎么计算的，我对照着公式计算，答案不对啊。求帮助。其中公式10.1中的a指的是物品的特性吗。求解，求解，求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解求解 -
P14,P15连续出现的参考文献标注“ Shafer et al.(2006)” ，但是作者名拼写错误，应为"Schafer"。我看了下，英语原文也是有这个错误。不过后面的参考文献中，所列作者名正确。在这种参考文献标记规则下，如果作者名拼写错误其实挺麻烦的，因为你没法查到对应的文献是哪一篇。另外书不错的，推荐阅读。
精彩短评 (总计65条)
-
貌似也是科普，看瞧瞧看~ -
入门书籍，想了解相关技术的话可以一读.. -
啊，有中文版了 -
内容还好，纸质没有所说的那么差。 -
书本装订质量还行，对了解推荐系统有一定的帮助 -
新流行 -
价格有点贵，国内推荐系统的书就那么基本，都需要好好读读。 -
在介绍算法的同时，帮助建立了关于一个完整系统的蓝图。非常赞。 -
推荐系统。。。 -
翻了一遍，启发思路不错。 -
看到同桌买的之后，直接退货了。 -
来不及看完，但当时的感觉是技术和数学上写得很细，下次看时要做好心理准备 -
高深，要求很高的数学基础！ -
作为推荐系统的入门书籍是很好的，介绍的比较详尽。 -
感觉很好很强大的样子，适合刚刚入门的小鸟.............. -
大略翻过。比较粗略。 -
还没有看完。不过，感觉还好吧。内容很丰富，不过有一点乱。 -
啊呀且住！ -
要学习，老师喊购买的。 -
翻过，没能力评价 -
入门好书 -
一本导读，对于算法的介绍基本一带而过，但提到了大量的参考文献，适合快速了解这个领域，再找相应paper深入阅读 -
以前走马观花，临码字了才发现它一句废话都没有，适合读书交流前阅读 -
很奇怪这本书居然能打8分多。。。感觉写得乱七八糟的啊。。。废话多，主次不清，简单的问题都讲不清楚。还是我水平太差了看不懂？。。 -
基本概念，很好 特别是防作弊那段 -
公式很多，只认真看了前两章。现在跳到后面开始看。 -
点到即止啊,可惜了 -
一句废话都没有 -
入门级书一本。 -
详细，彻底，方便修改拿来用。 -
很多地方，蜻蜓点水一点而过，再看封面的推荐，觉得有些言过其实了~ -
虽然比较早，有些内容很有用 -
我是做银行应用的，最近刚接触相关领域。这本书开始很好，但后面真的是越读越费劲，突出表现在知识组织不够系统，一些表达（也有翻译的问题）也不太准确。我是后来补了《数据挖掘》的课才搞定。 -
分类介绍了推荐系统的几种方法，科普性有个认识，具体的一些进展也引用了相关的paper，需要自己去看 -
写的真的不错，可以从头学起 -
还可以，读完对推荐系统有了大概的印象。 -
不是对自己路子的书，给个中评！其实是自己没看太明白。 -
通过本书可以较为全面的了解推荐系统的相关知识，了解推荐系统现有的算法，如何组合，如何评估，未来的发展趋势等。是学习推荐系统的一本好书。 -
很好，很全面的推荐系统的入门书~ -
只能让读者了解推荐系统及算法，没有深入的讲解，不懂得还是不懂 -
翻译质量很好，内容较新，比较贴近实际状况。看完这本书的另一个收获是SVD和矩阵论里的不一样，机器学习将矩阵看作row和col是有联系的 -
很有用，普及知识不错的选择。但是比较杂，应用性不强。 -
推荐系统最佳的入门书籍 里面的总结与概述的角度与高度都很到位 而且推荐的论文也很好 -
简单翻了一下，不知道为什么评分还挺高的，反正我是没啥感觉，用别人的评价就是“翻过没能力评价” -
这本书讲的东西很多，但都很浅，翻译的也很糟，不推荐 -
没项亮那本书实用，但也算不错了 -
2010年的综述书，部分章节 tooooooold -
作为入门比较好，最后看英文的，里面没有很生僻的单词，读起来还是很顺的 -
有收获 -
这本讲的很详细，已经翻过一遍 -
和《推荐系统实战》可以互相补充。 -
正本书感觉像一篇长长的博士论文。。 -
对于入门来说应该是足够的。包括基本的推荐技术介绍，包括协同过滤，基于内容，基于知识，以及混合推荐系统。后半部分讨论了衡量的标准，以及后来的趋势。 -
找一群人来写推荐语挺烦的，内容还不错。实例较多，攻击部分有趣，没有技术背景的浏览即可 -
需要与实践结合转化为个人经验。 -
每个推荐类型都介绍了下，像是一本摘要。总体作用比较小。 -
毫无使用价值 -
推荐系统文献介绍。 -
感觉讲解不够深入，看完书之后学到的东西很少。翻译得一般。 -
对推荐系统的学习可以有进一步的理解 -
导论 -
第8章 比较有价值 前面的章节太注重怎么算了 而且都没有深入讨论 -
不能算读过，只能算翻过 -
推荐系统方面的入门书，适合用来了解推荐系统的研究和应用，缺点是不够新，有些地方没讲明白。 -
系统的扫盲书，大部分讲的是电商的推荐系统，和微博的推荐系统还有差别