章节目录
一章一页，已整理的按顺序列在这里。
全部 32 章
蓝色可点开阅读，灰色的还在整理中。
第一节本书的开篇部分由三篇序言和一篇前言组成，说明了写作缘由与本书定位。阅读第二节本章旨在回答"什么是好的推荐系统"，分三步展开：先介绍推荐系统的定义、任务及其与分类目录、搜索引擎的区别；再按领域介绍常见的个性化推荐应用；最后通过评测指标界定"好"的标准。阅读第三节亚马逊在商品页下提供相关推荐列表，依据购买或浏览过该商品的用户行为计算物品相关性，并推出打包销售，即提示用户同时购买其他常搭配的商品并可享折扣。阅读第四节本节介绍了推荐系统的多种应用场景，包括社交网站利用社交网络为用户排序会话、推荐好友，以及个性化阅读、基于位置的服务、个性化邮件和个性化广告。阅读第五节离线实验的步骤是：从日志中获取用户行为数据生成标准数据集，按规则分成训练集和测试集，在训练集上训练兴趣模型并在测试集上预测，最后用事先定义的指标评测结果。阅读第六节本节介绍推荐系统的多项评测指标。TopN推荐通过准确率和召回率度量，可取不同列表长度画出曲线。阅读第七节惊喜度研究尚不成熟，本书不再展开。信任度方面，用户对推荐系统的信任会影响交互意愿，尤其在电商中至关重要。阅读第八节本节介绍基于用户行为数据的推荐算法，即协同过滤算法。用户行为数据以日志形式存储，按明确性分为显性反馈（如评分、喜欢/不喜欢）和隐性反馈（如页面浏览），按方向分为正反馈和负反馈……阅读第九节本节介绍协同过滤算法的离线实验设计与评测指标，并详述基于用户的协同过滤算法（UserCF）。阅读第十节本节首先评测了UserCF-IIF算法，实验在K=80下进行，结果显示其各项性能略优于UserCF，说明计算相似度时考虑物品流行度有助于提升推荐质量。阅读第十一节本节讨论ItemCF算法的三个改进方向，并综合比较UserCF与ItemCF。阅读第十二节本节先讨论ItemCF的“哈利波特问题”：因《哈利波特》过于热门，算法算出它与几乎所有书都相似。阅读第十三节损失函数中的正则化项用于防止过拟合，其系数通过实验获得。阅读第十四节本节介绍基于图的推荐算法，将用户行为表示为二分图，把推荐问题转化为度量用户节点与物品节点的相关性。阅读第十五节本节介绍基于用户人口统计学特征的推荐方法及其在冷启动中的应用。阅读第十六节本节讨论如何利用物品的内容信息解决物品冷启动问题。物品冷启动在新闻等时效性强的网站中尤为重要。阅读第十七节用LDA计算物品相似度时，可先得到物品的话题分布，再用KL散度衡量两个分布的差异，散度越大相似度越低。阅读第十八节本节先引用调查数据说明标签系统能帮助用户发现、组织和了解电影，进而引出标签系统中的两个推荐问题：基于标签为用户推荐物品，以及为物品推荐标签。阅读第十九节本节讨论基于标签推荐算法的改进与应用。针对简单算法偏向热门标签和热门物品的问题，借鉴TF-IDF思想，对热门标签和热门物品的权重进行惩罚，以提升推荐的个性化和新颖性。阅读第二十节GroupLens 的 Jesse Vig 研究了基于标签的推荐解释，将用户与物品的关系拆为用户对标签的兴趣和标签与物品的相关度……阅读第二十一节本节简要介绍了标签推荐的研究现状，包括张量分解、LDA、基于图等方法及其应用难点，以及GroupLens团队在利用标签做个性化推荐、推荐解释和标签清理方面的工作。阅读第二十二节本节讨论推荐系统的时间上下文应用。首先通过计算相隔T天物品流行度向量的余弦相似度来衡量系统时效性，相似度下降越快说明时效性越强。阅读第二十三节本节讨论在推荐中引入时间与地点信息。时间方面，应推荐相似用户近期喜欢的物品，而非其很久以前的喜好。阅读第二十四节针对每个中间节点（如全国、全省）分别用其上的用户数据训练推荐模型，生成多个推荐列表，再按权重线性相加得到最终结果，此即金字塔模型（LARS-U），其深度是关键指标。阅读第二十五节本节讨论社交网络数据的获取、类型及其在推荐中的应用。电子邮件和即时通讯工具能反映社交关系，但因隐私问题难以获取。阅读第二十六节本节讨论如何在推荐系统中利用社交网络信息。首先介绍基于图的社会化推荐算法：将社交网络图与用户物品二分图合并为一个统一的图模型，用户与用户之间连边表示好友关系……阅读第二十七节本节介绍社交网站中的信息流推荐与好友推荐。信息流推荐方面，Facebook的EdgeRank算法根据会话的时间衰减、行为权重和用户间熟悉度计算权重，但只考虑社会兴趣……阅读第二十八节本节介绍了四种好友推荐算法：InterestBased基于兴趣相似度推荐，SocialBased基于社交网络推荐好友的好友，Interest+Social按权重融合两者……阅读第二十九节本节介绍了推荐引擎的架构及其核心组成部分。推荐引擎负责生成一种类型的推荐列表，其架构分为三部分：A部分通过分析用户行为或读取注册信息生成用户特征向量……阅读第三十节提高推荐结果多样性有两种方法：一是按物品的内容属性分类，在每类中各选排名靠前的物品组成列表，缺点是分类属性的选择影响大，且物品归属类别由编辑判定，用户未必认同……阅读第三十一节本节介绍评分预测中的三类方法。基于用户的邻域方法用皮尔逊系数找出与目标用户最相似的K个用户，参考他们对该物品的评分（减去各自平均分后加权平均）进行预测……阅读第三十二节本节介绍了在评分预测中加入时间信息的两种方法。基于邻域的模型（TItemCF）通过时间衰减函数降低很久以前的评分行为对当前预测的影响……阅读
