推荐系统

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流行和基础的技术，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。第三部分包括了一些推荐技术多样性的应用。首先简述了与工业实现和推荐系统开发相关的一般性问题，随后详细介绍了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。

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。

前　言Recommender Systems Handbook,Second Edition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 RicciLior RokachBracha Shapira

目　录

Recommender Systems Handbook,Second Edition

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

......