推荐系统【推荐系统必读经典，百度技术委员会主席廖若雪、新浪微博数据挖掘技术专家张俊林、人民搜索商务部总监常兴龙、百分点信息科技有限公司首席运营官张韶峰联袂推荐！ 】（预计上市日期：6月27日左右），预计06月28日到货

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。

Dietmar Jannach 是德国的多特蒙德工业大学（Technische Universit?t 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 Universit?t 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。 Alexander Felfernig 是奥地利格拉茨工业大学（Technische Universit?t Graz）教授。他在推荐及配置系统方面的研究成果荣获2009年度的Heinz Zemanek奖。他发表过130多篇科学论文，是《国际电子商务杂志》的评审委员会成员，ConfigWorks GmbH的共同创始人。 Gerhard Friedrich 是奥地利克拉根福阿尔卑斯-亚德里大学客座教授，应用信息学院院长，智能系统和商业信息课题组组长。《人工智能通信》的编辑，《大规模定制国际杂志》的副主编。

  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