本书汇聚不同领域专家学者的理论成果和实践经验，全面介绍推荐系统的主要概念、理论、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。书中既详细讲解了经典方法，又介绍了一些新的研究成果，内容涵盖人工智能、人机交互、信息技术、数据挖掘、统计学、自适应用用户界面、决策支持系统、市场和客户行为等。无论是从事技术开发的读者，还是从事产品营销的读者，都能从中受益。
无
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、听什么歌曲或读什么新闻。推荐系统的价值在于帮助用户解决信息过载和做出更好的选择，也是现在互联网领域最强大和最流行的信息发现工具之一。因此，人们提出了各式各样的推荐技术，并在过去的10年中将其中很多方法成功地运用在商业环境。
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、数据挖掘、统计学、决策支持系统、市场营销和消费者行为学等。
本书第1版在四年前出版，并受到了推荐系统社区的一致好评。伴随着推荐系统研究的日新月异，这些好评激励我们来更新本书。本书第2版重新整理了第1版中各章节的内容并在相应章节融入了该领域的新进展。本书基于第1版做了较大修订；大约有一半的章节是新增的，并且保留的章节相比第1版也做了相应更新。
尽管第2版发生了较大修订，但本书的目标始终不渝。本书呈现了基础知识和更高级的话题两方面，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，帮助读者从差异中梳理出头绪。这是目前唯一一本全面阐述推荐系统的书，完全涵盖推荐系统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且简洁方便的参考源。
本书不仅详细地介绍了推荐系统研究的经典方法，同时也介绍了最近发表的新方法及其扩展。本书由五部分组成：推荐系统的技术、评估、应用、人机交互及高级话题。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、基于语义的方法、数据挖掘方法和基于情境感知的方法。第二部分主要关注离线和真实用户环境下用于评估推荐质量的技术及方法。第三部分包括一些推荐技术多样性的应用，首先简述与工业实现和推荐系统开发相关的一般性问题，随后详细介绍推荐系统在各领域中的应用：音乐、学习、移动、社交网络及它们之间的交互。第四部分包含探讨一系列问题的文章，这些问题包括推荐的展示、浏览、解释和视觉化以及人工决策与推荐系统相关的重要问题。第五部分收集了一些关于高级话题的文章，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靠的推荐系统。
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 Lagerstrom-Fife和Springer的成员，感谢他们在写这本书过程中的合作。最后我们希望这本书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，长足发展。
Francesco Ricci
Lior Rokach
Bracha Shapira
计算机
这本书在内容上兼顾了广度和深度，包含了该领域多年的理论成果和实践经验，特别是对应用人工智能和机器学习等技术与算法的总结，较为全面地介绍了智能推荐系统和技术的核心概念、原理、前沿技术、未来趋势和应用等。我相信广大智能推荐系统和技术的从业者、科研人员、高年级本科生和研究生都能从中得到启发并获益。
—— 杨强 香港科技大学计算机科学及工程学系讲座教授
本书在内容构成上不仅做到了脚踏实地，而且做到了仰望星空。既介绍了推荐系统的基本概念、理论、方法和案例，又展示了推荐系统的趋势与挑战，可以帮助从业者很好地夯实推荐系统的技术基础，同时也会拓宽从业者的思考维度。
—— 陈恩红 中国科学技术大学教授
在当前，说起推荐系统研究领域影响巨大、起到承上启下作用的出版物，毫无疑问要算Springer出版社出版的《Recommender Systems Handbook》……其中基于文本的推荐、社会化推荐和推荐系统的评价等几个章节对我后续的研究工作提供了重要的借鉴和参考，我的很多同事和学生也受益匪浅。
—— 周涛 电子科技大学大数据研究中心主任
本书全面介绍推荐系统中的数据处理方法，使读者能够轻松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
几乎所有涉及需要解决信息过载和个性化问题的商业应用都会出现推荐系统的身影，凡是有志于进入数据智能领域的工程师和产品经理，也都将学习推荐系统算法和思想作为理解这一领域的必经之路。然而在学习推荐系统方面，我推荐的著作则是这本《Recommender Systems Handbook》。
—— 蒋凡 百度外卖技术委员会主席、首席架构师，拉扎斯集团高级科学家
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 调调创始人、CEO，前百度技术委员会主席
：[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） 著：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。
推荐系统最初只是计算机学术领域的一个研究方向，在人工智能时代则越来越成为影响每个人日常生活的重要因素。几乎所有涉及需要解决信息过载和个性化问题的商业应用都会出现推荐系统的身影，凡是有志于进入数据智能领域的工程师和产品经理，也都将学习推荐系统算法和思想作为理解这一领域的必经之路。然而在学习推荐系统方面，最全面最权威的著作则是这本《Recommender Systems Handbook》。
《Recommender Systems Handbook》自2010年第1版面世以来就成为推荐系统爱好者最为推崇的一本大师级著作。这不光是因为其内容覆盖了推荐系统知识体系的方方面面，而且全书25章都是由每个子领域内最富有权威的多名专家合力而作，体现了在这些方面的最高科研技术成果。这一版的中文版也由我们在机械工业出版社的支持下在2015年翻译成书，首次将这一经典著作引入中文科技社区，让更多希望探究推荐系统领域原汁原味算法和思想的爱好者们有了可以细细研读的资料。
然而科研成果的突飞猛进和应用产品的高速发展超出了所有人的想象，推荐系统越来越成为人工智能领域的一门显学。尤其是在国内2012年以来随着移动互联网经济的高速发展，新闻资讯、知识图谱、在线视频音乐、网上购物、O2O、共享经济一波接一波的技术革新和商业创新，极大丰富了可以推荐的物品，极大降低了计算推荐的成本，极大拓宽了适合推荐的场景，让推荐系统技术进一步在人工智能时代变得更加重要，也让人们更加迫切需要深入地理解推荐系统算法和思想，改变原先因为时代局限而对推荐系统技术形成的还不够成熟的见解。
有鉴于此，《Recommender Systems Handbook》在2015年及时更新出版了第2版。新版在旧版25章的基础上扩展到了28章，其中有12章是新增内容，反映了这5年来推荐系统领域研究成果的最新变化；其余16章也都对内容进行了大幅度的重新梳理，并增加了最新的案例说明和领域进展。当然这也给我们译者带来了更大挑战，几乎是又要重新翻译一本新的书籍。这既是一座高耸的山峰横亘在面前，催促我们去攀登、去学习专家学者们最新的研究成果；这也是一枚闪亮的奖章佩戴在胸前，奖励我们所专注的是时变时新的领域、探索未有穷期。
在这里还是要感谢所有参与本书翻译、校订和审核的同学：李艳民、吴宾等。
感谢机械工业出版社几年如一日的支持和帮助，让我们能为技术社区奉上经典大作。
我又想起了曾经在第1版译者序中写下的话：很幸运能和这一批不计辛劳、只求学问的小伙伴们一起完成了这个心愿。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。
《Recommender Systems Handbook》第2版中文版终于可以面世了，我们用专注和坚韧将它唤醒，是预感它的魔力能够召唤来更多有志于此的攻城狮，让技术的力量改变世界。
蒋凡
百度外卖技术委员会主席、首席架构师
拉扎斯集团高级科学家
一个偶然的机会，我收到了来自国内同行的邮件，问我是否有兴趣参与翻译一本关于推荐系统的英文书籍。在看到这封邮件的时候，我突然有了种如果我接受这份邀请就是在一定程度上为祖国的科研事业做贡献的自豪感。既然如此，那还有什么好犹豫的呢？事实上，翻译这本书也让我对推荐系统这一领域，尤其是其中的隐私保护问题有了更深层次的认识，这是对我自身的一种升华。很高兴能够和大家一起完成这一艰巨而又伟大的工作，也很感谢在此过程中为我们所有翻译人员提供帮助与支持的李艳民和蒋凡老师。这本书的最终出版离不开任何一位为之付出努力的参与者，希望本书能对推荐系统的爱好者和研究人员有所启发。
王喜玮
美国东北伊利诺伊大学计算机科学系助理教授
经过近十几年的发展，推荐系统已经成了一个相对独立并且成熟的领域，而《Recommender Systems Handbook》一书对此领域的研究工作与应用场景进行了非常系统与全面的总结。鉴于此，本着能够使更多中文社区的同伴们从此书中受益的想法，此书的翻译工作应运而生。
很荣幸有机会与多位专家学者共同参与本书第2版的翻译工作。多位参与者在用词习惯上难免存在差异，也感谢李艳民、吴宾等人对全书用词统一方面的审核与校订。
姚远
南京大学计算机科学与技术系助理研究员
推荐序一
Recommender Systems Handbook,Second Edition
在大数据和人工智能时代，基于海量用户行为数据、机器学习技术和智能推荐算法的个性化服务已经实实在在地给老百姓的日常生活带来了便利。也许你曾有过或听过类似下面的感慨：
“京东商城居然把我的购物喜好猜得那么准！”
“网易云音乐今天的推荐歌单实在是太走心了，必须给五星好评！”
“百度主页上的新闻总能引起我的兴趣。”
……
这些贴心得令人惊叹的个性化服务无一不是应用人工智能、机器学习和智能推荐等系统和技术的结果。显然，高质量的个性化服务是非常重要的，不仅能使用户更加满意，也能为商家带来更多利润。如今，国内互联网领域的领先企业（如京东、淘宝、网易、百度、豆瓣和今日头条等），都在自家的应用场景上使用了前沿的推荐系统和技术，并将自身的实践经验反哺学术界，进一步推动该领域的科学研究。随着用户行为数据的爆发式增长和人工智能、机器学习等技术和算法的不断创新，智能推荐系统和技术可望在自动驾驶、机器人等更多领域大展拳脚。在这样的背景下，社会对智能推荐系统和技术从业者的需求也急剧增加，而本译著的出版正好顺应了这个需求。
不论是从科学研究还是从工业实践的角度出发，我都很欣慰能够看到《Recommender Systems Handbook》这样包含大量人工智能和机器学习等技术与算法的大部头著作被翻译成中文。一方面，它在推荐系统领域的重要地位在全世界是得到公认的；另一方面，原著的语言多少给国内有志于从事该领域的人员造成了一定的困难，译著的出版有利于降低这些非技术性因素造成的门槛。
这本书在内容上兼顾了广度和深度，包含了该领域多年的理论成果和实践经验，特别是对应用人工智能和机器学习等技术与算法的总结，较为全面地介绍了智能推荐系统和技术的核心概念、原理、前沿技术、未来趋势和应用等。我相信广大智能推荐系统和技术的从业者、科研人员、高年级本科生和研究生都能从中得到启发并获益。
杨强
香港科技大学计算机科学及工程学系讲座教授
推荐序二
Recommender Systems Handbook,Second Edition
作为一个推荐系统相关领域的科研工作者，本人一直在关注推荐系统的研究进展，近来欣然获悉《推荐系统：技术、评估及高效算法（原书第2版）》译稿已经完成。第2版相较于第1版有较大范围的修改与梳理，新增了12章内容，同时对剩余章节也进行了内容更新。感谢李艳民、吴宾、潘微科、刘淇和蒋凡老师等译者细致而浩繁的翻译工作，大大降低了从业者全面了解推荐系统最新研究进展的门槛。同时，也从另一个角度说明当下中国研究者和从业者在推荐系统领域的前瞻性关注，博采众长以自强。
自1995年Marko Balabanovic等人在美国人工智能协会上推出个性化推荐系统LIRA以来，推荐系统的发展日新月异，由早期单一、简单的推荐系统，发展成为融合了大数据、云计算和深度学习等多领域知识的精准、高效的推荐服务。在与工业界的广泛接触和深入合作中，我发现不仅是学术界对推荐系统保持着关注与投入，工业界在发展推荐系统技术、构建自己的推荐系统方面更是不惜余力。如阿里的商品推荐、腾讯的好友推荐、百度的搜索关联推荐、科大讯飞的个性化学习推荐等，为千千万万的互联网用户提供了贴心和省心的信息过滤服务。尤其是看到我培养的学生将实验室多年来在推荐系统方面的积累与前瞻性思考应用于各大公司的推荐系统，做到了学以致用，并得到业界的广泛认可，很是欣慰。
近年来，随着移动互联网的大范围普及和应用、用户生活理念的转变和升级，在丰富推荐系统使用场景、提升推荐系统重要性的同时，也为推荐系统研究者和从业者带来了新的挑战，如数据规模的增大、更新频率的加快以及用户对隐私关注度的提高等。如何把握这些新机遇，应对这些新挑战，需要每一个推荐系统相关人员进行深入思考与研究。就我们实验室而言，虽然在推荐系统领域深耕多年，与业界也开展了广泛的合作与成果转化，但信息推荐技术的发展日新月异，断不敢停止学习。而《推荐系统：技术、评估及高效算法》这本书能够为从业人员提供一个非常好的研究基础和思考视角。本书在内容构成上不仅做到了脚踏实地，而且做到了仰望星空。既介绍了推荐系统的基本概念、理论、方法和案例，又展示了推荐系统的趋势与挑战。可以帮助从业者很好地夯实推荐系统的技术基础，同时也会拓宽从业者的思考维度。
相信这本书的出版将有助于推荐系统研究者以及从业者为用户提供更知心的推荐服务，真正做到“心有灵犀一点通”。
陈恩红
2018年2月于中国科学技术大学
推荐序三
Recommender Systems Handbook,Second Edition
当今我们身处一个数据爆炸的时代。2017年全球数据总存储量估计是16～20ZB，再过8年，这个量还会增长10倍，接近甚至超过200ZB。拥有海量数据，并不等于我们就能够掌握和利用它们。实际上，大数据带来的最直接挑战就是如何让普通消费者在数据汪洋中找到自己需要的内容。
目前来看，搜索引擎和推荐系统是解决上述“信息过载”问题最好的两种手段。推荐系统在两个方面和搜索引擎有重大差异。首先，推荐系统给出的推荐结果都是个性化的，不同的消费者看到的结果一般而言差异很大。其次，用户在搜索的时候对于自己的需求大致是清楚的，但是推荐系统可以通过分析消费者以往点击或购买的记录，以及其他用户点击或购买的记录，给出一些让消费者意想不到甚至以前从未了解的推荐，而这些推荐往往却是消费者喜欢的。
我自己和推荐系统很有缘分。在瑞士读博士的时候，导师给出的第一个任务就是去参加推荐系统领域迄今为止最具影响力的全球赛事——Netflix推荐算法大赛。后来做图挖掘方面的研究，最早也是从推荐系统开始的。我后来作为联合创始人第一次创业的企业——北京百分点科技——也是从做推荐系统开始的。
不管你是对推荐系统感兴趣的学生、业界技术同行、研究人员，还是企业相关管理人员，了解推荐系统都最好是从阅读系统性的综述和评论开始。我针对这个问题写过两篇综述：一是2009年在《自然科学进展》上写过一篇短综述《个性化推荐系统的研究进展》，主要针对中文读者；二是2012年在《Physics Reports》写过一篇长综述《Recommender Systems》，主要针对物理领域对这个问题感兴趣的读者。在计算机领域，我认为最好的入门读物是Adomavicius和Tuzhilin 2005年在IEEE TKDE发表的题为《Towards the next generation recommender systems》的综述。
在当前，说起对整个推荐系统研究领域影响最大、起到承上启下作用的出版物，毫无疑问要算2011年Springer出版社出版的《Recommender Systems Handbook》。该书实际上是当时全球很多著名研究团队在其擅长方向上综述论文的汇编，里面很多章节的引用都超过1000次，甚至数千次。我记得这本书很多章节的预印本2010年就可以下载了，我当时就打印出来装订出了缺几个章节的Handbook，其中基于文本的推荐、社会化推荐和推荐系统的评价等几个章节对我后续的研究工作提供了重要的借鉴和参考，我的很多同事和学生也受益匪浅。最近得知本书第2版中译本即将出版，我非常高兴，很多以前苦读的回忆又历历在目。
我觉得今天中国的学生和学者是幸运的，可以用自己熟悉亲切的语言，花很少的钱，读到具有超高质量的学术专著。特别感谢出版社愿意引进这本专业性很强的著作，也要特别感谢翻译团队愿意翻译这本书，它在知识传播方面的价值非常大。希望未来出版社还能在第一时间引进更多如本书一般世界公认的重要著作。
周涛教授
电子科技大学大数据研究中心主任
出版者的话
推荐序一
推荐序二
推荐序三
译者序
前言
译者简介
第1章 推荐系统：简介和挑战1
1.1 简介1
1.2 推荐系统的功能3
1.3 数据和知识来源5
1.4 推荐技术7
1.5 推荐系统评估10
1.6 推荐系统应用11
1.7 推荐系统与人机交互13
1.8 高级话题14
1.9 挑战16
1.9.1 偏好获取与分析16
1.9.2 交互17
1.9.3 新的推荐任务18
参考文献19
第一部分 推荐系统技术
第2章 基于邻域的推荐方法综述24
2.1 简介24
2.1.1 基于邻域方法的优势25
2.1.2 目标和概要26
2.2 问题定义和符号26
2.3 基于邻域的推荐27
2.3.1 基于用户的评分预测28
2.3.2 基于用户的分类预测方法28
2.3.3 回归与分类29
2.3.4 基于物品的推荐29
2.3.5 基于用户和基于物品的推荐方法的比较30
2.4 基于邻域方法的要素31
2.4.1 评分标准化31
2.4.2 相似度权重的计算33
2.4.3 邻域的选择37
2.5 高级进阶技术37
2.5.1 基于图的方法38
2.5.2 基于学习的方法40
2.6 总结44
参考文献44
第3章 协同过滤方法进阶48
3.1 简介48
3.2 预备知识49
3.2.1 基准预测49
3.2.2 Netflix数据50
3.2.3 隐式反馈51
3.3 矩阵分解模型51
3.3.1 SVD52
3.3.2 SVD++53
3.3.3 时间敏感的因子模型54
3.3.4 比较57
3.3.5 小结58
3.4 基于邻域的模型59
3.4.1 相似度度量59
3.4.2 基于相似度的插值60
3.4.3 联合派生插值权重61
3.4.4 小结63
3.5 增强的基于邻域的模型63
3.5.1 全局化的邻域模型64
3.5.2 因式分解的邻域模型67
3.5.3 基于邻域模型的动态时序71
3.5.4 小结72
3.6 基于邻域的模型和因子分解模型的比较73
参考文献75
第4章 基于内容的语义感知推荐系统77
4.1 简介77
4.2 基于内容的推荐系统概述77
4.2.1 基于关键词的向量空间模型79
4.2.2 用户特征学习的方法80
4.2.3 基于内容过滤的优缺点81
4.3 自上而下的语义方法82
4.3.1 基于本体资源的方法83
4.3.2 基于非结构化或半结构化百科知识的方法84
4.3.3 基于关联开放数据的方法86
4.4 自下而上的语义方法90
4.4.1 基于判别式模型的方法90
4.5 方法比较与小结94
4.6 总结与未来挑战95
致谢96
参考文献96
第5章 基于约束的推荐系统103
5.1 简介103
5.2 推荐知识库的开发105
5.3 推荐过程中的用户导向作用108
5.4 计算推荐结果113
5.5 实际应用的经验114
5.6 未来的研究方法116
5.7 总结118
参考文献118
第6章 情境感知推荐系统123
6.1 简介和动机123
6.2 推荐系统中的情境124
6.2.1 什么是情境124
6.2.2 推荐系统中模型化情境信息的表征性方法125
6.2.3 推荐系统中主要的情境信息建模方法127
6.2.4 获取情境信息130
6.3 结合具有代表性情境的推荐系统范式131
6.3.1 情境预过滤133
6.3.2 情境后过滤136
6.3.3 情境建模137
6.4 讨论和总结138
致谢140
参考文献140
第7章 推荐系统中的数据挖掘方法145
7.1 简介145
7.2 数据预处理146
7.2.1 相似度度量方法146
7.2.2 抽样147
7.2.3 降维148
7.2.4 去噪150
7.3 监督学习150
7.3.1 分类150
7.3.2 分类器的集成157
7.3.3 评估分类器157
7.4 无监督学习159
7.4.1 聚类分析159
7.4.2 关联规则挖掘161
7.5 总结162
参考文献163
第二部分 推荐系统评估
第8章 推荐系统的评估170
8.1 简介170
8.2 实验设置171
8.2.1 离线实验172
8.2.2 用户调查173
8.2.3 在线评估175
8.2.4 得出可靠结论176
8.3 推荐系统属性178
8.3.1 用户偏好179
8.3.2 预测精度179
8.3.3 覆盖率186
8.3.4 置信度187
8.3.5 信任度188
8.3.6 新颖性188
8.3.7 惊喜度189
8.3.8 多样性190
8.3.9 效用191
8.3.10 风险191
8.3.11 健壮性192
8.3.12 隐私192
8.3.13 适应性193
8.3.14 可扩展性193
8.4 结论193
参考文献194
第9章 使用用户实验评估推荐系统198
9.1 简介198
9.2 理论基础与现有工作199
9.2.1 理论基础：Knijnenburg等人提出的评估框架199
9.2.2 现有以用户为中心的研究概览以及有前景的方向201
9.3 实践指南203
9.3.1 研究模型203
9.3.2 参与者206
9.3.3 实验操控207
9.3.4 测量209
9.3.5 统计评估214
9.4 结论219
参考文献221
第10章 对推荐结果的解释：设计和评估228
10.1 简介228
10.2 推荐设计的呈现和交互229
10.2.1 推荐呈现229
10.2.2 偏好提取230
10.3 解释风格231
10.3.1 基于协作的解释风格232
10.3.2 基于内容的解释风格233
10.3.3 基于案例推理（CBR）的解释风格234
10.3.4 基于知识和基于效用的解释风格234
10.3.5 基于人口统计的解释方式235
10.4 目标和度量235
10.4.1 系统如何工作：透明性237
10.4.2 允许用户告诉系统它是错误的：被理解237
10.4.3 增加用户对系统的信任：信任度238
10.4.4 说服用户尝试或购买：说服力239
10.4.5 帮助用户充分地决策：有效性239
10.4.6 帮助用户快速制定决策：效率240
10.4.7 系统满意度241
10.5 未来的方向242
10.5.1 推荐的社会性242
10.5.2 解释、偶然性和过滤泡泡242
10.5.3 应该何时展现推荐解释242
10.5.4 推荐解释：有益还是有害242
参考文献243
第三部分 推荐系统应用
第11章 工业界的推荐系统：Netflix案例分析248
11.1 简介248
11.2 推荐系统在工业界中的应用248
11.3 Netflix大奖赛250
11.4 评分预测之外的推荐工作251
11.4.1 推荐无处不在251
11.4.2 排序253
11.4.3 页面优化254
11.5 数据和模型255
11.5.1 数据255
11.5.2 模型256
11.6 消费者数据科学256
11.7 架构258
11.7.1 事件和数据分布系统259
11.7.2 线下、近似在线、线上计算260
11.7.3 推荐结果261
11.8 可扩展的研究方向261
11.8.1 隐式反馈262
11.8.2 个性化排序学习262
11.8.3 全页优化262
11.8.4 情景推荐263
11.8.5 评测及标准263
11.8.6 类别不平衡及其效应263
11.8.7 社交推荐264
11.9 结论264
参考文献265
第12章 辅助学习的推荐系统综述271
12.1 简介271
12.2 技术增强学习272
12.3 技术增强学习推荐系统的分类框架273
12.4 方法综述274
12.4.1 方法和技术增强学习推荐系统综述274
12.4.2 框架分析278
12.5 结论284
致谢287
参考文献287
第13章 音乐推荐系统294
13.1 简介294
13.2 基于内容的音乐推荐295
13.2.1 元数据信息295
13.2.2 音频内容296
13.3 基于上下文的音乐推荐298
13.3.1 环境相关的上下文298
13.3.2 用户相关的上下文300
13.3.3 在音乐推荐系统中结合上下文信息300
13.4 混合音乐推荐301
13.4.1 结合内容与上下文描述符302
13.4.2 结合协同过滤与内容描述符302
13.4.3 结合协同过滤与上下文描述符304
13.5 自动生成播放列表305
13.5.1 并行和序列消费305
13.5.2 播放列表评估306
13.5.3 播放列表生成算法307
13.6 数据集和评估308
13.6.1 评估方法309
13.6.2 Yahoo!Music数据集和KDD Cup 2011310
13.6.3 百万级别歌曲数据集（MSD）和MSD Challenge 2012310
13.6.4 Last.fm数据集：360K/1K用户311
13.6.5 MusicMicro和百万级别音乐数据集（MMTD）311
13.6.6 AotM-2011312
13.7 总结与挑战312
参考文献312
第14章 剖析基于位置的移动推荐系统320
14.1 简介320
14.2 移动推荐系统的数据321
14.2.1 发现兴趣点和位置偏好322
14.2.2 根据智能手机传感器的行为推导323
14.3 移动应用中计算推荐的方法323
14.3.1 推荐形式化概述324
14.3.2 推荐场所的算法325
14.4 移动推荐的评估326
14.5 结论和未来方向327
参考文献328
第15章 社会化推荐系统332
15.1 简介332
15.2 内容推荐332
15.2.1 关键领域333
15.2.2 群组推荐334
15.2.3 案例研究：企业社交媒体推荐335
15.2.4 小结337
15.3 人物推荐338
15.3.1 推荐连接的人339
15.3.2 推荐陌生人341
15.3.3 推荐被关注者342
15.3.4 相关研究领域343
15.3.5 小结343
15.4 讨论343
15.5 新兴领域和开放性挑战345
15.5.1 新兴领域345
15.5.2 开放性挑战346
参考文献346
第16章 人与人之间的相互推荐351
16.1 简介351
16.2 互惠推荐与传统推荐351
16.3 关于人与人推荐的已有工作352
16.3.1 社交网络352
16.3.2 师徒匹配353
16.3.3 工作推荐353
16.3.4 在线婚恋354
16.4 在线婚恋系统案例分析355
16.4.1 一种基于内容—协同双向在线婚恋推荐系统356
16.4.2 显式与隐式的用户偏好359
16.5 总结与未来工作362
参考文献363
第17章 社交网络搜索中的协作、信用机制和推荐系统365
17.1 简介365
17.2 网络搜索的历史简介366
17.3 网络搜索的未来368
17.3.1 个性化网络搜索368
17.3.2 协同信息检索371
17.3.3 关于信誉与推荐372
17.3.4 向社交搜索前进373
17.4 案例研究1：HeyStaks——社交搜索用例373
17.4.1 HeyStaks系统374
17.4.2 HeyStaks推荐引擎374
17.4.3 评估376
17.5 案例研究2：社会搜索的信誉模型377
17.5.1 从活动到信誉378
17.5.2 信誉作为协同378
17.5.3 实例379
17.5.4 基于图的信誉模型379
17.5.5 从用户信誉到结果推荐380
17.5.6 评估381
17.6 搜索未来383
17.6.1 从搜索到发现383
17.6.2 在传感器丰富的移动世界中搜索383
致谢384
参考文献384
第四部分 人机交互
第18章 人类决策过程与推荐系统392
18.1 简介392
18.2 选择模式和推荐393
18.2.1 基于属性的选择394
18.2.2 基于结果的选择395
18.2.3 基于经验的选择395
18.2.4 基于社会的选择396
18.2.5 基于策略的选择396
18.2.6 基于反复试错的选择397
18.2.7 混合模式的选择397
18.2.8 什么是一个好的选择398
18.3 支持选择策略和推荐398
18.3.1 代表选择者的评估398
18.3.2 选择过程的建议399
18.3.3 获取信息与经验399
18.3.4 代表选择的情景400
18.3.5 合并和计算400
18.3.6 设计域400
18.3.7 支持策略的结束语400
18.4 论证和解释400
18.4.1 论证400
18.4.2 推荐的可解释性401
18.5 偏好和评级402
18.5.1 什么是“偏好”402
18.5.2 评分反映了什么403
18.6 消除选择过载405
18.7 支持性的反复试错法405
18.7.1 有稳定评判标准的反复试错法406
18.7.2 有变化评判标准的反复试错法407
18.8 处理在选择过程中潜在噪声造成的影响407
18.8.1 上下文效应407
18.8.2 顺序效应408
18.8.3 框架效应408
18.8.4 启动效应409
18.8.5 默认值409
18.9 总结410
致谢410
参考文献411
第19章 推荐系统中的隐私问题415
19.1 简介415
19.2 推荐系统中的隐私风险416
19.2.1 由推荐系统导致的风险417
19.2.2 由普通用户导致的风险419
19.2.3 由外部人员导致的风险420
19.2.4 小结420
19.3 隐私保护方法421
19.3.1 面向架构与系统设计的方案422
19.3.2 面向算法的方案425
19.3.3 基于政策的方案429
19.4 人的因素和对于隐私的认知430
19.4.1 透明化与管控的局限性431
19.4.2 隐私助推432
19.4.3 隐私自适应433
19.5 总结与思考434
参考文献435
第20章 影响推荐系统可信度评估的来源因素442
20.1 简介442
20.2 在线来源的可信度评估442
20.3 推荐系统作为社交参与者443
20.4 人际交互中的来源因素443
20.4.1 来源可信度443
20.4.2 来源线索444
20.5 人-技术交互中的来源因素445
20.6 用户与推荐系统交互的来源因素446
20.6.1 推荐系统类型447
20.6.2 输入特征447
20.6.3 过程特征447
20.6.4 输出特征448
20.6.5 嵌入式智能代理特征448
20.6.6 新兴社交技术的影响449
20.7 讨论449
20.8 影响450
20.9 未来研究方向451
参考文献451
第21章 用户性格和推荐系统459
21.1 简介459
21.2 什么是性格特征460
21.2.1 五因素性格模型460
21.2.2 其他性格模型461
21.2.3 用户性格与用户偏好如何相关462
21.3 性格采集462
21.3.1 显式性格采集方法463
21.3.2 隐式性格采集方法464
21.3.3 推荐系统的线下实验数据集466
21.4 如何在推荐系统中使用用户性格466
21.4.1 解决新用户的问题467
21.4.2 多样性/意外收获468
21.4.3 跨域推荐469
21.4.4 群组推荐469
21.5 难题和挑战469
21.5.1 非侵入式方法获取性格信息469
21.5.2 大规模数据集470
21.5.3 跨域应用470
21.5.4 多样性470
21.5.5 隐私问题470
21.6 总结471
致谢471
参考文献471
第五部分 高级话题
第22章 组推荐系统：聚合、满意度和组属性476
22.1 简介476
22.2 组推荐的应用场景和分类477
22.2.1 使用场景1：交互式电视477
22.2.2 使用场景2：环境智能477
22.2.3 应用场景背后的相关工作478
22.2.4 组推荐系统的分类478
22.3 合并策略479
22.3.1 合并策略概览480
22.3.2 合并策略在相关工作中的应用481
22.3.3 哪种策略性能最佳482
22.4 序列顺序的影响484
22.5 对情感状态建模486
22.5.1 对个人满意度进行建模486
22.5.2 个人满意度对群组的影响487
22.6 满意度在聚合策略中的使用488
22.7 组合属性：角色、个性、专长、关系强度、关系类型和个人影响488
22.8 对单个用户进行组推荐490
22.8.1 多准则490
22.8.2 冷启动问题491
22.8.3 虚拟组成员492
22.9 总结和挑战492
22.9.1 提出的主要问题492
22.9.2 警告：组建模493
22.9.3 面临的挑战494
致谢495
参考文献495
第23章 推荐系统中的聚合功能498
23.1 简介498
23.2 推荐系统中的聚合类型498
23.2.1 协同过滤中的偏好聚合499
23.2.2 CB与UB推荐中的特征聚合500
23.2.3 物品和用户相似度计算以及邻居集的构建方式500
23.2.4 CB与UB的用户配置文件构建501
23.2.5 基于实例推理的连接词在推荐系统中的应用501
23.2.6 加权混合系统502
23.3 聚合函数概述502
23.3.1 定义和属性502
23.3.2 聚合成员504
23.4 聚合函数的构建508
23.4.1 数据收集和处理508
23.4.2 期望属性、语义、解释509
23.4.3 函数表现的复杂度及其理解510
23.4.4 基于惩罚的构造方法510
23.4.5 权重和参数的确定511
23.5 推荐系统中的复杂聚合过程：为特定应用定制511
23.6 总结514
参考文献514
第24章 推荐系统中的主动学习517
24.1 简介517
24.1.1 推荐系统中主动学习的目标518
24.1.2 例证519
24.1.3 主动学习的类型519
24.2 数据集的属性520
24.3 主动学习在推荐系统中的应用521
24.4 基于不确定性的主动学习523
24.4.1 输出不确定性524
24.4.2 决策边界不确定性525
24.4.3 模型不确定性525
24.5 基于误差的主动学习527
24.5.1 基于实例的方法527
24.5.2 基于模型的方法529
24.6 基于组合的主动学习529
24.6.1 基于模型的方法530
24.6.2 基于候选的方法530
24.7 基于会话的主动学习532
24.7.1 基于实例的评论532
24.7.2 基于多样性的方法533
24.7.3 基于查询编辑的方法533
24.8 评估的设置533
24.8.1 范围533
24.8.2 获取自然评分534
24.8.3 时间的演化534
24.8.4 可比性535
24.8.5 小结535
24.9 计算因素的考虑536
24.10 总结536
参考文献537
第25章 多准则推荐系统541
25.1 简介541
25.2 多准则评分推荐543
25.2.1 传统的单准则评分推荐问题543
25.2.2 引入多准则评分来扩展传统推荐系统544
25.3 预测中使用多准则评分545
25.3.1 启发式方法546
25.3.2 基于模型的方法548
25.4 推荐中使用多准则评分552
25.4.1 相关工作：多准则优化553
25.4.2 设计物品推荐整体序列553
25.4.3 发现帕累托最优的物品推荐554
25.4.4 使用多准则评分作为推荐过滤器554
25.5 讨论及未来工作555
25.5.1 研究多准则评分的新技术555
25.5.2 扩展多准则的现有技术556
25.5.3 多准则评分的管理556
25.6 总结557
参考文献557
第26章 推荐系统中的新颖性和多样性562
26.1 简介562
26.2 推荐系统中的新颖性和多样性562
26.2.1 推荐系统为什么需要新颖性和多样性563
26.2.2 新颖性和多样性的定义564
26.2.3 其他领域的多样性564
26.3 新颖性和多样性的评估565
26.3.1 标记565
26.3.2 平均列表内距离565
26.3.3 全局长尾新颖性566
26.3.4 用户特定的不可预测性566
26.3.5 推荐内多样性指标567
26.3.6 具体方法568
26.3.7 多样性、新颖性和惊喜性569
26.3.8 信息检索多样性569
26.4 新颖性和多样性增强方法570
26.4.1 结果的多样化或重排570
26.4.2 使用聚类的多样化571
26.4.3 基于融合的方法572
26.4.4 多样性排序学习572
26.4.5 惊喜性：使令人惊讶的推荐成为可能572
26.4.6 其他方法572
26.4.7 用户研究573
26.4.8 信息检索中多样化的方法573
26.5 统一框架574
26.5.1 通用的新颖性/多样性度量方案574
26.5.2 物品新颖性模型574
26.5.3 指标生成575
26.5.4 连接推荐多样性和检索多样性577
26.6 实验指标比较579
26.7 总结581
参考文献581
第27章 跨领域推荐系统586
27.1 简介586
27.2 跨领域推荐问题的表示587
27.2.1 领域的定义587
27.2.2 跨领域推荐的任务589
27.2.3 跨领域推荐的目标590
27.2.4 跨领域推荐的场景591
27.3 跨领域推荐技术的分类592
27.4 基于知识聚合的跨领域推荐595
27.4.1 合并单个领域的用户偏好595
27.4.2 整合单个领域的用户模型数据598
27.4.3 综合单个领域的推荐结果599
27.5 基于知识连接和迁移的跨领域推荐600
27.5.1 连接领域600
27.5.2 领域间的潜在特征共享602
27.5.3 领域间的评分模式迁移604
27.6 跨领域推荐系统的评估606
27.6.1 数据划分606
27.6.2 评估指标607
27.6.3 敏感性分析608
27.7 跨领域推荐中的现实考量609
27.8 开放的研究问题610
参考文献611
第28章 具有鲁棒性的协同推荐615
28.1 简介615
28.2 问题定义616
28.3 攻击分类617
28.3.1 基础攻击618
28.3.2 非充分信息攻击618
28.3.3 打压攻击模型619
28.3.4 知情攻击模型619
28.3.5 混淆攻击620
28.4 评估系统鲁棒性621
28.4.1 评估指标621
28.4.2 推举攻击621
28.4.3 打压攻击623
28.4.4 知情攻击624
28.4.5 攻击效果624
28.5 攻击检测624
28.5.1 评估指标625
28.5.2 单用户检测626
28.5.3 用户信息组检测627
28.5.4 检测发现630
28.6 超越基于内存的算法630
28.6.1 基于模型的推荐630
28.6.2 隐私保护算法631
28.6.3 影响力限制器和基于信誉的推荐631
28.7 鲁棒的算法631
28.7.1 鲁棒的矩阵分解算法631
28.7.2 其他具有鲁棒性的推荐算法632
28.8 应对推荐系统攻击的实际措施632
28.9 总结633
致谢633
参考文献633
