本书英文名中的“Handbook”一词非常贴切。作为一本推荐系统的手册，它既不是一本泛谈推荐技术的入门书籍，也不是一本纯理论的论文集。本书针对我们在建设推荐系统中会遇到的实际问题，结合理论和应用场景，实践性地进行了深入探讨。推荐系统的初学者可能并不适合直接阅读本书的部分章节，本书更适合作为推荐系统研发人员的参考书，在有一定实践经验后，结合工作中遇到的真实问题来阅读。
—— 廖若雪，调调App创始人，前高德副总裁，前百度技术委员会主席
本书全面介绍推荐系统中的数据处理方法，使读者可能很容易理解推荐系统的原理、算法和实现。无论是对推荐系统的初学者还是业界实践者来说，本书都是一个福音。
—— 唐杰，清华大学副教授，Arnetminer创始人
推荐系统是为用户推荐所需物品的软件工具和技术，对于在线处理信息过载是一个非常有价值的方法，并成为电子商务领域最强大和流行的工具之一。本书融合不同领域专家学者的理论成果和实践经验，从推荐系统相关技术、推荐系统的应用与评估、推荐系统的交互、推荐系统和社区及高级算法5个方面介绍推荐系统的主要概念、理论、方法、趋势、挑战和应用，详细阐释如何支持用户决策、计划和购买过程，帮助你梳理推荐系统的相关知识体系，并理解推荐系统的原理、算法及实现。
前
弗朗西斯科·里奇
（Francesco Ricci）
意大利博尔扎诺自由大学计算机科学副教授。目前他的研究兴趣包括推荐系统、智能接口、移动系统、机器学习、案例推理、信息和通信技术在旅游中的应用。他是《Journal of Information Technology and Tourism》杂志的编委，还是ACM和IEEE会员。他还是ACM会议推荐系统分会的指导委员会成员。
利奥·罗卡奇
（Lior Rokach）
以色列本-古里安大学信息系统工程系助理教授。他是智能信息系统方面公认的专家，在这一领域处于世界领先地位。他的主要研究领域包括数据挖掘、模式识别和推荐系统。他的70篇论文被主流期刊、会议和书籍等引用。
布拉哈·夏皮拉
（Bracha Shapira）
以色列本-古里安大学信息系统工程系助理教授。目前她的研究兴趣包括推荐系统、信息检索、个性化、用户建模和社交网络。她是本-古里安大学德国电信实验室研究项目负责人，并且还是ACM和IEEE会员。
保罗 B. 坎特
（Paul B. Kantor）
罗格斯大学通信与信息学院情报学教授，兼任计算机科学系和RUTCOR中心运筹学教授。目前他的研究兴趣包括协作信息发现、文本分类、文本或图像索引和检索。他是美国科学促进会会士，ACM、IEEE和ASIST会员。他的研究得到了美国NSF和国土安全部等机构的支持。
推荐系统是为用户推荐所需物品的软件工具和技术。提供的推荐旨在通过各种决策过程来支持用户，例如，买什么物品、听什么歌或者读什么新闻。推荐系统对于在线用户处理信息过载是一个非常有价值的方法，并成为电子商务领域最强大和流行的工具。因此，人们提出了各种各样的推荐技术，并在过去的10年中将其中很多方法成功地运用在商务领域。
推荐系统的发展需要多学科的支持，涉及来自各个领域的专家知识，如人工智能、人机交互、信息检索、数据挖掘、数据统计、自适应用户界面、决策支持系统、市场营销或消费者行为等。本书旨在基于这种多样性，通过展示推荐系统的主要概念、理论、方法论、趋势、挑战和应用等连贯而又统一的知识体系，帮助读者从差异之中梳理出头绪。这是第一本全面阐述推荐系统的书，其中覆盖了主要技术的多个方面。本书中的丰富信息和实践内容为研究人员、学生和行业中的实践者提供了一个有关推荐系统的全面但简洁方便的参考源。本书不仅详细介绍了经典方法，而且介绍了最近引进的新方法及其扩展。本书由五部分组成：技术、推荐系统的应用和评估、推荐系统的交互、推荐系统和社区及高级算法。第一部分展示了如今构建推荐系统的最流行和最基础的技术，如协同过滤、基于内容的过滤、数据挖掘方法和基于情境感知的方法。第二部分首先介绍用来评估推荐质量的研究技术和方法；其次说明了设计推荐系统的实际方面，如设计和实现的考虑，选择更合适算法的环境指南；再次讨论了可能影响设计的相关方面；最后探讨了应用在已成型系统评估上的方法、挑战和估量。第三部分包括了探讨一系列问题的文章，这些问题包括推荐的展示、浏览、解释和视觉化，以及使得推荐过程更结构化和方便的技术等。
第四部分完全聚焦于一个全新的话题，但该话题却基于过滤推荐的主要思想，例如利用用户产生的各种类型的内容来构建具有新类型并更加可信的推荐系统。
第五部分搜集了一些关于高阶话题的文章，例如利用主动学习技术来引导新知识的学习，构建能够抵挡恶意用户攻击的健壮推荐系统的合适技术，以及结合多种用户反馈和偏好来生成更加可信的推荐系统。
我们要感谢所有为本书做出贡献的作者。感谢所有审阅人员提出的慷慨意见及建议。特别感谢Susan LagerstromFife和Springer的成员，感谢他们在写这本书过程中的合作。最后我们希望这本手册有助于这一学科的发展，为新手提供一个卓有成效的学习方案，能够激起更多专业人士有兴趣参与本书所讨论的主题，使这个具有挑战性的领域能够硕果累累，长足进展。
Francesco Ricci
Lior Rokach
Bracha Shapira
Paul B.Kantor
2010年5月
计算机\信息检索
本书英文名中的“Handbook”一词非常贴切。作为一本推荐系统的手册，它既不是一本泛谈推荐技术的入门书籍，也不是一本纯理论的论文集。本书针对我们在建设推荐系统中会遇到的实际问题，结合理论和应用场景，实践性地进行了深入探讨。推荐系统的初学者可能并不适合直接阅读本书的部分章节，本书更适合作为推荐系统研发人员的参考书，在有一定实践经验后，结合工作中遇到的真实问题来阅读。
廖若雪，高德大数据与移动中心副总裁，前百度技术委员会主席
本书全面介绍推荐系统中的数据处理方法，使读者可能很容易理解推荐系统的原理、算法和实现。无论是对推荐系统的初学者还是业界实践者来说，本书都是一个福音。
唐杰，清华大学副教授，Arnetminer创始人
推荐系统是为用户推荐所需物品的软件工具和技术，对于在线处理信息过载是一个非常有价值的方法，并成为电子商务领域最强大和流行的工具之一。本书融合不同领域专家学者的理论成果和实践经验，从推荐系统相关技术、推荐系统的应用与评估、推荐系统的交互、推荐系统和社区及高级算法5个方面介绍推荐系统的主要概念、理论、方法、趋势、挑战和应用，详细阐释如何支持用户决策、计划和购买过程，帮助你梳理推荐系统的相关知识体系，并理解推荐系统的原理、算法及实现。
[美] 弗朗西斯科·里奇（Francesco Ricci） 利奥·罗卡奇（Lior Rokach） 布拉哈·夏皮拉（Bracha Shapira） 保罗 B. 坎特（Paul B. Kantor） 编：暂无简介
李艳民 胡聪 吴宾 王雪丽 丁彬钊 译 蒋凡 审核：暂无简介
胡聪（胡户主）：这本书着实是一本厚书，在刚开始着手翻译的时候，反复浏览目录里25章的内容，心潮澎湃，激动不已，希望放下手中一切来研习它。在大数据浪潮中，推荐系统作为一个主要分支，逐渐被国内同行所关注，但一直苦于可用资料不多。想必很多刚入此行的同学都在问“有没有全套推荐系统学习资源”，“行业内推荐系统算法有哪些”，等等问题，这本书能够带来一份很好的答案。这本书由概述到细节，由算法理论到行业应用，层层剖析了推荐系统中的技术细节和应用方向，书中知识涵盖较广却又不失细节，相信会成为推荐系统爱好者和从业人员手中必备的一本工具书。
吴宾：Netflix大赛有力地推进了对推荐系统的广泛而深入的研究，促成新的研究热点。然而，国内当前还缺少比较完整的中文科普图书。因此，本书的出现可有效地填补这一空白，进一步推动推荐系统的研究和应用。综合来看，本书既可以作为推荐系统专业研究人员的入门书籍，也适用于一般应用推荐系统技术的工程人员。对推荐系统的热爱和研究是我有幸参与此书翻译工作的一个重要原因，也因此结识了许多志同道合的小伙伴。我非常感谢他们对我的帮助和指导，与他们的讨论和交流让我受益匪浅。同时，也要感谢艳民和蒋帆老师，他们不惜放弃宝贵的休息时间来审核和校对此书，严谨的工作作风和态度令人敬佩。
丁彬钊（于宁）：研究生期间偶然结缘推荐系统，坚信推荐必将成为继搜索之后解决数据过载的重要方法。有机会参与本书的翻译倍感荣幸，虽然期间经历实习、求职、毕业等系列事件，但是在朋友们的支持和帮助下，还是坚持完成了自己负责的那部分翻译工作。通过对此书的翻译，不仅仅提升了自己对推荐系统的理解，也增强了对推荐系统在大数据时代所起作用的信心！特别感谢李艳民对本书翻译提供的各种帮助，以及蒋凡老师细致负责的审核和校对工作！由于翻译水平和时间限制，本书翻译工作难免存在不足之处，欢迎读者朋友批评指正，谢谢！
王雪丽：这是一本“特别”而又“伟大”的书，“特别”在于，它集合了推荐系统所涉及领域的所有知识，并将这些知识有条不紊地展示出来，成为第一本专属于推荐系统领域的书；而“伟大”在于，它凝结了很多人的智慧，比如说每一章后面那长长的参考目录就体现了这点。这本书对于初学者来说是一个很好的起点，不仅可以系统地了解推荐系统的组成部分以及怎样着手设计一个推荐系统，让初学者不会觉得无从下手，另外本书也描述了推荐系统所面临的挑战，也许能在阅读的过程中突发灵感，找到自己的研究方向。另外，非常幸运能够参与本书的翻译，非常感谢一起完成本书翻译的朋友们，也希望读者朋友对我们的工作提出宝贵意见，非常感谢！
李艳民：本书内容和重要程度不言而喻。在长达15个月的翻译过程中共有49位同学参与翻译和审核，期间有晋升为爸爸的、有毕业参加工作的、有结婚步入幸福天堂的，也有开始创业的，在这里由衷感谢他们及其家人能参与和支持我们的翻译。同时特别感谢蒋凡老师能帮我一起审阅。希望本书能给读者带来帮助。读者有疑问或建议可在本书论坛（www.rec-sys.net）讨论。
蒋凡：相信翻译这本书应该是每个推荐系统爱好者的心愿，它的博大精深令人醉心不已，但它的卷帙浩繁也令人望而却步。很幸运能和不计辛劳、只求学问的小伙伴们一起完成这个心愿，翻过高山，收入眼帘的就是一马平川的美景；架起云梯，就能帮助更多的小伙伴攻城拔寨、无往不利。这本书终于面世了，我们用专注和坚韧将它唤醒，是因为我们预感它的魔力能够召唤来更多有志于此的工程师，让技术的力量改变世界。
推荐序一Recommender Systems Handbook
面对互联网上的海量信息，普通用户往往无所适从。为了满足用户的信息需求，计算机科学家发明了两项意义深远的技术：一是搜索技术，它帮助计算机系统被动地应答用户的查询，将与之最相关、最重要的信息返回给用户；二是推荐系统技术，它根据用户的兴趣、行为、情景等信息，把用户最可能感兴趣的内容主动推送给用户。近年来，推荐系统技术得到了长足的发展，不但成为学术研究的热点之一，而且在电子商务、在线广告、社交网络等重要的互联网应用中大显身手。
推荐系统是一个相对而言比较新的技术领域，市面上全面介绍其相关技术的中文书籍并不多见。我和蒋凡在微博上“神交”已久，这次听闻他在翻译整理《推荐系统：技术、评估及高效算法》一书，非常欣慰，也相信他的译本可以为对推荐系统感兴趣的广大读者带来福音。因此，欣然允诺写序文一篇，来“推荐”这本书。
本书是一本结集，由来自不同领域的资深研究人员联合撰写，其内容涵盖了推荐系统的各个方面，既有实战价值，又有理论深度，是一本受众面很广的好书。它的英文版有非常好的销售记录，也被很多学校和公司作为参考书目。将这样一本书翻译成中文有很大的价值，同时也有不小的难度。比如，由于本书篇幅很长，翻译过程需要付出巨大的时间成本；由于本书各章节的多样性，翻译过程需要很宽的知识面；由于推荐系统的技术比较新，某些技术词汇的翻译尚未达成广泛共识；由于本书兼备技术和理论，对译者的算法、数学等方面都提出了很高的要求。翻阅了蒋凡的翻译稿，能够清晰地感受到他在本书的翻译过程中所做的巨大努力。多年来蒋凡对推荐系统技术的深入研究，以及在互联网公司的亲身实践，能为本书的翻译保驾护航。总体而言，本书的翻译稿用词准确、语言流畅，并且在原书交代不够清晰的地方还加入了译者注解，更方便读者阅读和理解。相信蒋凡参与翻译的这本书会对国内推荐系统方面的研究与实践产生积极的推动作用，并且成为该技术领域的重要中文参考文献。
刘铁岩
首席研究员/主任研究员
微软亚洲研究院
2015年6月
推荐序二Recommender Systems Handbook
随着互联网尤其是移动互联网的兴起，在海量的信息和数据中挖掘有价值的信息呈现给用户，成为电商、社交、新闻、影音等各大主流应用的核心功能。
推荐系统正是这样一项技术，它集数据挖掘、机器学习、用户行为学、人机交互等多个领域的知识为一体，结合日渐普及的大规模并行数据处理框架，为每位用户提供精准的、及时的乃至带有惊喜感的个性化信息服务。
本书以推荐系统领域的欧美知名学者为主要发起人，结合实际应用，为推荐系统的初学者和从业人员提供了一份权威参考资料。
对在校学生及初学者而言，若时间允许，建议比较全面地浏览本书主要章节，边读边思考，重在构建知识的体系、深入思考问题和解决问题的习惯。例如深刻理解协同过滤中Item-based、User-based（同好）、矩阵分解等算法各自的特性，独立进行代码实现，在开放的、带有语义信息的数据集上，根据多种指标分析推荐的结果并思考算法为何会产生此类结果。通过这个过程，将书本知识转化为自己的体悟。
对推荐系统的从业者而言，本书是一本很好的工作手册，遇到问题时可以随时翻阅，但其作用不仅限于此，同时帮助大家开拓思路、提升系统性解决问题的能力。举例而言，本书第8章提到的推荐系统的若干评测指标，如新颖度、多样性、惊喜度、健壮性等，给我们启发良多，在手机淘宝首页逛场景推荐算法和系统中均有应用。对健壮性的考虑，可以预防频频发生的第三方攻击；针对用户惊喜度的设计及多目标优化，可以大大提升产品体验和用户留存率等核心指标。
某些章节介绍的内容较生僻，但在某些垂直行业的推荐系统中可能起着关键作用。如第21章中介绍的组推荐算法和策略是多用户参与的旅游活动、家庭娱乐系统的关键；第20章谈到的信任推荐问题是社交网络、金融服务领域开发推荐系统的核心要素。
推荐系统是一个年轻的领域，相关技术正在蓬勃发展中，学有余力的朋友可以多关注推荐和相关领域顶级会议（SIGKDD、ACM RecSys、WWW、WSDM等）及国内外业界公司的最新成果。同时，推荐系统的创新应用层出不穷，在移动终端、智能机器人、互联网金融等，只要和用户、消费者交互的地方，都可以看到它的身影。一个更智能、更懂你的互联网离不开智能推荐技术。
本书是一个开始，祝大家早日在推荐的知识海洋中自在遨游，探索未知新世界。
袁全
阿里资深技术专家，淘宝推荐负责人
出版者的话
推荐序一
推荐序二
译者序
前言
第1章 概述1
1.1 简介1
1.2 推荐系统的功能3
1.3 数据和知识资源5
1.4 推荐技术7
1.5 应用与评价10
1.6 推荐系统与人机交互12
1.6.1 信任、解释和说服力13
1.6.2 会话系统13
1.6.3 可视化14
1.7 推荐系统是个交叉学科领域15
1.8 出现的问题和挑战16
1.8.1 本书对出现的问题的讨论16
1.8.2 挑战18
参考文献20
第一部分 基础技术
第2章 推荐系统中的数据挖掘方法28
2.1 简介28
2.2 数据预处理29
2.2.1 相似度度量方法29
2.2.2 抽样30
2.2.3 降维31
2.2.4 去噪33
2.3 分类34
2.3.1 最近邻34
2.3.2 决策树35
2.3.3 基于规则的分类36
2.3.4 贝叶斯分类器36
2.3.5 人工神经网络38
2.3.6 支持向量机39
2.3.7 分类器的集成40
2.3.8 评估分类器41
2.4 聚类分析42
2.4.1 k-means43
2.4.2 改进的k-means44
2.5 关联规则挖掘44
2.6 总结46
致谢47
参考文献47
第3章 基于内容的推荐系统：前沿和趋势51
3.1 简介51
3.2 基于内容的推荐系统的基础52
3.2.1 基于内容的推荐系统的高层次结构52
3.2.2 基于内容过滤的优缺点54
3.3 基于内容的推荐系统的现状55
3.3.1 物品表示56
3.3.2 学习用户特征的方法62
3.4 趋势和未来研究65
3.4.1 推荐过程中用户产生内容的作用65
3.4.2 超越特化：惊喜度66
3.5 总结68
参考文献68
第4章 基于近邻推荐方法综述74
4.1 简介74
4.1.1 问题公式化定义75
4.1.2 推荐方法概要76
4.1.3 基于近邻方法的优势77
4.1.4 目标和概要78
4.2 基于近邻推荐78
4.2.1 基于用户评分79
4.2.2 基于用户分类80
4.2.3 回归与分类80
4.2.4 基于物品推荐81
4.2.5 基于用户和基于物品推荐的对比81
4.3 近邻方法的要素83
4.3.1 评分标准化83
4.3.2 相似度权重计算85
4.3.3 近邻的选择89
4.4 高级进阶技术90
4.4.1 降维方法90
4.4.2 基于图方法92
4.5 总结95
参考文献96
第5章 协同过滤算法的高级课题100 5.1
简介100
5.2 预备知识101
5.2.1 基准预测102
5.2.2 Netflix数据103
5.2.3 隐式反馈103
5.3 因子分解模型104
5.3.1 SVD104
5.3.2 SVD++105
5.3.3 时间敏感的因子模型106
5.3.4 比较111
5.3.5 总结112
5.4 基于邻域的模型112
5.4.1 相似度度量113
5.4.2 基于相似度的插值113
5.4.3 联合派生插值权重115
5.4.4 总结117
5.5 增强的基于邻域的模型117
5.5.1 全局化的邻域模型118
5.5.2 因式分解的邻域模型122
5.5.3 基于邻域的模型的动态时序126
5.5.4 总结127
5.6 基于邻域的模型和因子分解模型的比较127
参考文献129
第6章 开发基于约束的推荐系统131
6.1 简介131
6.2 推荐知识库的开发133
6.3 推荐过程中的用户导向137
6.4 计算推荐结果142
6.5 项目和案例研究的经验143
6.6 未来的研究方法144
6.7 总结147
参考文献147
第7章 情境感知推荐系统151
7.1 简介151
7.2 推荐系统中的情境152
7.2.1 什么是情境152
7.2.2 在推荐系统实现情境信息的建模155
7.2.3 获取情境信息158
7.3 结合情境的推荐系统形式159
7.3.1 情境预过滤161
7.3.2 情境后过滤163
7.3.3 情境建模164
7.4 多种方法结合167
7.4.1 组合预过滤器案例研究：算法168
7.4.2 组合预过滤器案例研究：实验结果168
7.5 情境感知推荐系统的其他问题170
7.6 总结171
致谢171
参考文献172
第二部分 推荐系统的应用与评估
第8章 推荐系统评估176
8.1 简介176
8.2 实验设置177
8.2.1 离线实验178
8.2.2 用户调查180
8.2.3 在线评估182
8.2.4 得出可靠结论182
8.3 推荐系统属性185
8.3.1 用户偏好185
8.3.2 预测准确度186
8.3.3 覆盖率191
8.3.4 置信度192
8.3.5 信任度193
8.3.6 新颖度194
8.3.7 惊喜度195
8.3.8 多样性195
8.3.9 效用196
8.3.10 风险197
8.3.11 健壮性197
8.3.12 隐私198
8.3.13 适应性198
8.3.14 可扩展性199
8.4 总结199
参考文献199
第9章 IPTV服务提供商推荐系统：一个大规模真实产品环境的应用203 9.1 简介203
9.2 IPTV架构204
9.3 推荐系统架构206
9.3.1 数据搜集206
9.3.2 批处理和实时阶段207
9.4 推荐算法208
9.4.1 推荐算法概述209
9.4.2 基于内容隐语义分析算法210
9.4.3 基于物品的协同过滤算法213
9.4.4 基于降维的协同过滤算法214
9.5 推荐服务215
9.6 系统评价216
9.6.1 离线分析218
9.6.2 在线分析220
9.7 总结223
参考文献223
第10章 走出实验室的推荐系统225
10.1 简介225
10.2 设计现实环境中的推荐系统225
10.3 理解推荐系统的环境226
10.3.1 应用模型226
10.3.2 用户建模230
10.3.3 数据模型233
10.3.4 一个使用环境模型的方法235
10.4 在迭代设计过程中理解推荐验证步骤236
10.4.1 算法的验证236
10.4.2 推荐结果的验证237
10.5 应用实例：一个语义新闻推荐系统240
10.5.1 背景：MESH工程240
10.5.2 MESH的环境模型240
10.5.3 实践：模型的迭代实例化243
10.6 总结244
参考文献244
第11章 匹配推荐系统的技术与领域247
11.1 简介247
11.2 相关工作247
11.3 知识源248
11.4 领域250
11.4.1 异构性250
11.4.2 风险性251
11.4.3 变动性251
11.4.4 交互风格251
11.4.5 偏好稳定性251
11.4.6 可理解性252
11.5 知识源252
11.5.1 社群知识252
11.5.2 个人知识253
11.5.3 基于内容的知识253
11.6 从领域到技术254
11.6.1 算法255
11.6.2 抽样推荐领域256
11.7 总结257
致谢257
参考文献257
第12章 用于技术强化学习的推荐系统261
12.1 简介261
12.2 背景262
12.2.1 TEL作为上下文262
12.2.2 TEL推荐的目标263
12.3 相关工作264
12.3.1 自适应教育超媒体264
12.3.2 学习网络265
12.3.3 相同点与不同点267
12.4 TEL推荐系统调查268
12.5 TEL推荐系统的评估271
12.5.1 对组件的评估272
12.5.2 评估TEL推荐系统时需要考虑的问题273
12.6 总结与展望274
致谢274
参考文献275
第三部分 推荐系统的影响
第13章 基于评价推荐系统的进展282
13.1 简介282
13.2 早期：评价系统/已得益处282
13.3 评价系统的表述与检索挑战283
13.3.1 评价表述的方式283
13.3.2 基于评价的推荐系统中的检索挑战289
13.4 评价平台中的交互研究293
13.4.1 扩展到其他评价平台294
13.4.2 用户直接操作与限制用户控制的比较295
13.4.3 支持性解释、置信和信任296
13.4.4 可视化、自适应性和分区动态性297
13.4.5 关于多文化的适用性的差异298
13.5 评价的评估：资源、方法和标准298
13.5.1 资源和方法298
13.5.2 评估标准299
13.6 总结与展望300
参考文献301
第14章 构建更值得信任和具有说服力的推荐系统：特性对评估推荐系统的影响305
14.1 简介305
14.2 推荐系统作为社交角色306
14.3 来源可信度306
14.3.1 可信度306
14.3.2 专业能力307
14.3.3 对来源可信度的影响307
14.4 人际交互中信息特性的研究307
14.4.1 相似度307
14.4.2 喜好度308
14.4.3 权威的象征308
14.4.4 演讲的风格308
14.4.5 外在吸引力308
14.4.6 幽默309
14.5 人机交互中的特性309
14.6 用户与推荐系统交互的特性309
14.6.1 推荐系统类型310
14.6.2 输入特性310
14.6.3 过程特性311
14.6.4 输出特性311
14.6.5 内嵌的智能体特性312
14.7 讨论312
14.8 影响313
14.9 未来研究方向314
参考文献314
第15章 设计和评估推荐系统的解释321
15.1 简介321
15.2 指引322
15.3 专家系统的说明322
15.4 定义的目标322
15.4.1 系统如何工作:透明性324
15.4.2 允许用户告诉系统它是错误的：被理解324
15.4.3 增加用户对系统上的信任：信任度325
15.4.4 说服用户尝试或购买：说服力326
15.4.5 帮助用户充分地决策：有效性327
15.4.6 帮助用户快速制定决策：效率328
15.4.7 使系统的应用愉悦：满意度328
15.5 评估解释在推荐系统的作用329
15.5.1 精准度329
15.5.2 学习效率329
15.5.3 覆盖度330
15.5.4 接受度330
15.6 用推荐设计展示与互动330
15.6.1 展示推荐330
15.6.2 与推荐系统交互331
15.7 解释风格332
15.7.1 基于协同风格333
15.7.2 基于内容风格334
15.7.3 基于案例风格334
15.7.4 基于知识/自然语言风格335
15.7.5 基于人口统计风格335
15.8 总结与展望336
参考文献337
第16章 基于实例评价研究的产品推荐系统的可用性准则340
16.1 简介340
16.2 预备知识341
16.2.1 交互模型341
16.2.2 基于效用的推荐系统342
16.2.3 准确率、信任度和代价的框架344
16.2.4 本章结构344
16.3 相关工作345
16.3.1 推荐系统分类345
16.3.2 基于评分的推荐系统345
16.3.3 基于案例的推荐系统345
16.3.4 基于效用的推荐系统345
16.3.5 基于评价的推荐系统346
16.3.6 其他设计指导准则346
16.4 初始偏好提取347
16.5 通过实例激励用户表示偏好349
16.5.1 需要多少实例350
16.5.2 需要哪些实例350
16.6 偏好修正352
16.6.1 偏好冲突和部分满足352
16.6.2 权衡辅助353
16.7 展示策略354
16.7.1 一次推荐一项物品354
16.7.2 推荐k项最匹配的物品355
16.7.3 解释界面355
16.8 准则验证模型357
16.9 总结359
参考文献359
第17章 基于示意图的产品目录可视化363
17.1 简介363
17.2 基于图的可视化方法364
17.2.1 自组织映射364
17.2.2 树图365
17.2.3 多维缩放366
17.2.4 非线性主成分分析367
17.3 产品目录图367
17.3.1 多维缩放368
17.3.2 非线性主成分分析369
17.4 通过点击流分析决定属性权重370
17.4.1 泊松回归模型370
17.4.2 处理缺失值371
17.4.3 使用泊松回归选择权值371
17.4.4 阶梯式泊松回归模型371
17.5 图像购物界面372
17.6 电子商务应用373
17.6.1 使用属性权值的基于MDS的产品目录图373
17.6.2 基于NL-PCA的产品目录图375
17.6.3 图像购物界面377
17.7 总结与展望379
致谢380
参考文献380
第四部分 推荐系统与群体
第18章 个性化Web搜索中的群体、协作与推荐系统384
18.1 简介384
18.2 网络搜索历史简介385
18.3 网络搜索的未来387
18.3.1 个性化网络搜索387
18.3.2 协同信息检索390
18.3.3 向社交搜索前进392
18.4 案例研究1：基于群体的网络搜索392
18.4.1 搜索群体中的重复性和规律性392
18.4.2 协同网络搜索系统393
18.4.3 评估395
18.4.4 讨论396
18.5 案例研究2：网络搜索共享396
18.5.1 HeyStaks系统397
18.5.2 HeyStaks推荐引擎399
18.5.3 评估400
18.5.4 讨论402
18.6 总结402
致谢403
参考文献403
第19章 社会化标签推荐系统409
19.1 简介409
19.2 社会化标签推荐系统410
19.2.1 大众分类法410
19.2.2 传统推荐系统范式411
19.2.3 多模式推荐412
19.3 现实社会化标签推荐系统413
19.3.1 有哪些挑战413
19.3.2 案例BibSonomy413
19.3.3 标签获取415
19.4 社会化标签系统的推荐算法416
19.4.1 协同过滤416
19.4.2 基于排序的推荐418
19.4.3 基于内容的社会化标签推荐系统421
19.4.4 评估方案和评估度量423
19.5 算法比较424
19.6 总结与展望426
参考文献427
第20章 信任和推荐430
20.1 简介430
20.2 信任的表示与计算431
20.2.1 信任表示431
20.2.2 信任计算433
20.3 信任增强推荐系统436
20.3.1 动机436
20.3.2 进展437
20.3.3 实验比较441
20.4 进展和开放性挑战445
20.5 总结446
参考文献446
第21章 组推荐系统449
21.1 简介449
21.2 应用场景和群组推荐系统分类450
21.2.1 交互式电视450
21.2.2 环绕智能450
21.2.3 基于场景的推荐系统451
21.2.4 基于分类的群组推荐451
21.3 合并策略452
21.3.1 合并策略概览452
21.3.2 合并策略在相关工作中的应用453
21.3.3 哪种策略效果最好454
21.4 序列顺序的影响455
21.5 对情感状态建模456
21.5.1 对个人的满意度进行建模457
21.5.2 个人满意度对群组的影响458
21.6 情感状态在合并策略中的使用459
21.7 对单个用户进行组推荐460
21.7.1 多准则460
21.7.2 冷启动问题461
21.7.3 虚拟组成员462
21.8 总结与挑战462
21.8.1 提出的主要问题463
21.8.2 警告：组建模463
21.8.3 面临的挑战464
致谢464
参考文献465
第五部分 高级算法
第22章 推荐系统中的偏好聚合468 22.1 简介468
22.2 推荐系统中的聚合类型468
22.2.1 协同过滤中的偏好聚合470
22.2.2 CB与UB推荐中的特性聚合470
22.2.3 CB与UB的配置文件构建470
22.2.4 物品和用户相似度以及邻居的形成471
22.2.5 基于实例推理的连接词在推荐系统中的应用472
22.2.6 加权混合系统472
22.3 聚合函数概论472
22.3.1 定义和属性472
22.3.2 聚合成员475
22.4 聚合函数的构建479
22.4.1 数据收集和处理479
22.4.2 期望属性、语义、解释480
22.4.3 函数表现的复杂度及其理解481
22.4.4 权重和参数的确定482
22.5 推荐系统中的复杂聚合过程:为特定应用定制482
22.6 总结485
22.7 进阶阅读485
致谢486
参考文献486
第23章 推荐系统中的主动学习488
23.1 简介488
23.1.1 推荐系统中主动学习的目标489
23.1.2 例证490
23.1.3 主动学习的类型490
23.2 数据集的属性491
23.3 主动学习在推荐系统中的应用492
23.4 主动学习公式493
23.5 基于不确定性的主动学习495
23.5.1 输出不确定性495
23.5.2 决策边界不确定性496
23.5.3 模型不确定性497
23.6 基于误差的主动学习498
23.6.1 基于实例的方法498
23.6.2 基于模型的方法500
23.7 基于组合的主动学习501
23.7.1 基于模型的方法501
23.7.2 基于候选的方法502
23.8 基于会话的主动学习504
23.8.1 基于实例的评论504
23.8.2 基于多样性的方法504
23.8.3 基于查询编辑的方法505
23.9 计算因素考虑505
23.10 总结505
致谢506
参考文献506
第24章 多准则推荐系统510
24.1 简介510
24.2 推荐作为多准则决策问题511
24.2.1 决策目标512
24.2.2 准则簇512
24.2.3 全局偏好模型513
24.2.4 决策支持流程513
24.3 推荐系统的MCDM框架:经验教训515
24.4 多准则评分推荐517
24.4.1 传统的单值评分推荐问题517
24.4.2 引入多准则评分来扩展传统推荐系统518
24.5 多准则评分推荐算法综述519
24.5.1 预测中使用多准则评分519
24.5.2 推荐中使用多准则评分524
24.6 讨论及未来工作526
24.7 总结527
致谢528
参考文献528
第25章 具有健壮性的协同推荐533
25.1 简介533
25.2 问题定义534
25.3 攻击分类536
25.3.1 基础攻击536
25.3.2 非充分信息攻击537
25.3.3 打压攻击模型537
25.3.4 知情攻击模型538
25.4 检测系统健壮性539
25.4.1 评估矩阵539
25.4.2 推举攻击540
25.4.3 打压攻击541
25.4.4 知情攻击542
25.4.5 攻击效果543
25.5 攻击检测543
25.5.1 评估矩阵544
25.5.2 单用户检测544
25.5.3 用户组检测545
25.5.4 检测结果548
25.6 健壮的推荐算法548
25.6.1 基于模型的推荐548
25.6.2 健壮的矩阵分解算法549
25.6.3 其他具有健壮性的推荐算法549
25.6.4 影响力限制器和基于信誉的推荐550
25.7 总结550
致谢551
参考文献551
本书贡献者名单554
翻译团队名单560
