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。

　　融合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。

　　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。

　　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 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。

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
21.3　合并策略452
21.4　序列顺序的影响455
21.5　对情感状态建模456
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
21.8　总结与挑战462
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
22.3　聚合函数概论472
22.4　聚合函数的构建479
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
23.2　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
23.6　基于误差的主动学习498
23.7　基于组合的主动学习501
23.8　基于会话的主动学习504
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
24.3　推荐系统的MCDM框架:经验教训515
24.4　多准则评分推荐517
24.5　多准则评分推荐算法综述519
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
25.4　检测系统健壮性539
25.5　攻击检测543
25.6　健壮的推荐算法548
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

　　基于物品的权重（wij和cij）反映了物品的固有特点，因此不会随时间变化。学习过程应该捕获无偏的长期值，而不应该过多地受随时间变化的方面的影响。实际上，如果处理不当，数据随时间变化的本性将掩盖大部分长期的基于物品的关系。例如，一个用户在一个时间周期内同时对物品i和j给予了很高的评分，这将是这两个物品有关联的一个很好的指示，因此wij。的值就较高。另一方面，尽管用户的兴趣（如果其身份不变）会随着时间改变，如果那两个评分给出的时间相隔了5年，这并不能表明这两个物品间有关系。此外，我们认为这些考虑几乎是依赖用户的；一些用户的兴趣比其他用户更加一致，并允许把他们的长期行为关联起来。
　　我们的目标是为基于物品的权重提取准确值，尽管有时间效应的影响。首先我们需要把用户u评分的两个物品之间的不断衰弱的关联参数化。我们采用函数e—βit·△t形式的指数衰减，其中βu>0，该参数控制了特定用户的衰减速度并从数据中学习得到。我们也以其他衰减形式进行试验，比如，更加容易计算的（1+βu△t）—1，使用该衰减形式的结果具有相同的准确度，同时又降低了运行时间。