推荐系统：技术、评估及高效算法

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，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。

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。

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。

★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

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
2.4.1k-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1005.1
简介100
5.2预备知识101
5.2.1基准预测102
5.2.2Netflix数据103
5.2.3隐式反馈103
5.3因子分解模型104
5.3.1SVD104
5.3.2SVD++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2039.1简介203
9.2IPTV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
10.5.2MESH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
12.2.1TEL作为上下文262
12.2.2TEL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
12.4TEL推荐系统调查268
12.5TEL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
18.5.1HeyStaks系统397
18.5.2HeyStaks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46822.1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

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