具体描述
内容简介：
随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载（information overload）的时代 。在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：对于信息消费者，从大量信息中找到自己感兴趣的信息是一件非常困难的事情；对于信息生产者，让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具。推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。
作者简介
项亮，毕业于中国科学技术大学和中国科学院自动化所，研究方向为机器学习和推荐系统，现任职于北京Hulu软件技术开发有限公司，从事视频推荐的研究和开发。2009年参加Netflix Prize推荐系统比赛获得团体第二名，且于当年发起创建了Resys China推 荐系统社区。
目录信息
第1章 好的推荐系统 1
1.1 什么是推荐系统 1
1.2 个性化推荐系统的应用 4
1.2.1 电子商务 4
1.2.2 电影和视频网站 8
1.2.3 个性化音乐网络电台 10
1.2.4 社交网络 12
1.2.5 个性化阅读 15
1.2.6 基于位置的服务 16
1.2.7 个性化邮件 17
1.2.8 个性化广告 18
1.3 推荐系统评测 19
1.3.1 推荐系统实验方法 20
1.3.2 评测指标 23
1.3.3 评测维度 34
第2章 利用用户行为数据 35
2.1 用户行为数据简介 36
2.2 用户行为分析 39
2.2.1 用户活跃度和物品流行度的分布 39
2.2.2 用户活跃度和物品流行度的关系 41
2.3 实验设计和算法评测 41
2.3.1 数据集 42
2.3.2 实验设计 42
2.3.3 评测指标 42
2.4 基于邻域的算法 44
2.4.1 基于用户的协同过滤算法 44
2.4.2 基于物品的协同过滤算法 51
2.4.3 UserCF和ItemCF的综合比较 59
2.5 隐语义模型 64
2.5.1 基础算法 64
2.5.2 基于LFM的实际系统的例子 70
2.5.3 LFM和基于邻域的方法的比较 72
2.6 基于图的模型 73
2.6.1 用户行为数据的二分图表示 73
2.6.2 基于图的推荐算法 73
第3章 推荐系统冷启动问题 78
3.1 冷启动问题简介 78
3.2 利用用户注册信息 79
3.3 选择合适的物品启动用户的兴趣 85
3.4 利用物品的内容信息 89
3.5 发挥专家的作用 94
第4章 利用用户标签数据 96
4.1 UGC标签系统的代表应用 97
4.1.1 Delicious 97
4.1.2 CiteULike 98
4.1.3 Last.fm 98
4.1.4 豆瓣 99
4.1.5 Hulu 99
4.2 标签系统中的推荐问题 100
4.2.1 用户为什么进行标注 100
4.2.2 用户如何打标签 101
4.2.3 用户打什么样的标签 102
4.3 基于标签的推荐系统 103
4.3.1 实验设置 104
4.3.2 一个最简单的算法 105
4.3.3 算法的改进 107
4.3.4 基于图的推荐算法 110
4.3.5 基于标签的推荐解释 112
4.4 给用户推荐标签 115
4.4.1 为什么要给用户推荐标签 115
4.4.2 如何给用户推荐标签 115
4.4.3 实验设置 116
4.4.4 基于图的标签推荐算法 119
4.5 扩展阅读 119
第5章 利用上下文信息 121
5.1 时间上下文信息 122
5.1.1 时间效应简介 122
5.1.2 时间效应举例 123
5.1.3 系统时间特性的分析 125
5.1.4 推荐系统的实时性 127
5.1.5 推荐算法的时间多样性 128
5.1.6 时间上下文推荐算法 130
5.1.7 时间段图模型 134
5.1.8 离线实验 136
5.2 地点上下文信息 139
5.3 扩展阅读 143
第6章 利用社交网络数据 144
6.1 获取社交网络数据的途径 144
6.1.1 电子邮件 145
6.1.2 用户注册信息 146
6.1.3 用户的位置数据 146
6.1.4 论坛和讨论组 146
6.1.5 即时聊天工具 147
6.1.6 社交网站 147
6.2 社交网络数据简介 148社交网络数据中的长尾分布 149
6.3 基于社交网络的推荐 150
6.3.1 基于邻域的社会化推荐算法 151
6.3.2 基于图的社会化推荐算法 152
6.3.3 实际系统中的社会化推荐算法 153
6.3.4 社会化推荐系统和协同过滤推荐系统 155
6.3.5 信息流推荐 156
6.4 给用户推荐好友 159
6.4.1 基于内容的匹配 161
6.4.2 基于共同兴趣的好友推荐 161
6.4.3 基于社交网络图的好友推荐 161
6.4.4 基于用户调查的好友推荐算法对比 164
6.5 扩展阅读 165
第7章 推荐系统实例 166
7.1 外围架构 166
7.2 推荐系统架构 167
7.3 推荐引擎的架构 171
7.3.1 生成用户特征向量 172
7.3.2 特征?物品相关推荐 173
7.3.3 过滤模块 174
7.3.4 排名模块 174
7.4 扩展阅读 178
第8章 评分预测问题 179
8.1 离线实验方法 180
8.2 评分预测算法 180
8.2.1 平均值 180
8.2.2 基于邻域的方法 184
8.2.3 隐语义模型与矩阵分解模型 186
8.2.4 加入时间信息 192
8.2.5 模型融合 193
8.2.6 Netflix Prize的相关实验结果 195
后记 196
· · · · · · (收起)
读后感
这种贴代码的讲解方法只学到了《集体智慧编程》的一半，这里仅仅是简单的张贴出来代码，却没有给出在Python的交互式环境下运行结果，这样会让读者很疑惑，只能够整段整段的跳过代码不看了。如果还有下一版的话希望能够改进，否则很多代码里面包含了一些错误都不能够被辨别出来。
评分书中低级错误遍地都是，尤其是代码 ，不看代码凑和着能看懂点东西（行文错误有的可以猜个大概），一看代码就凌乱了……上下文中用的变量名字不一致，中间有的自己的函数只有一个函数名，没有函数体，作者是想让我们猜呢？还是想让我们猜呢？？？尤其是68页的LFM的代码更是惨不...
评分什么是推荐系统？从网易云音乐的热门排行榜，到亚马逊的首页推荐，可以说他们都是推荐系统。区别在于，前者是大众推荐，而后者是个性化推荐。 早期的媒体关注的是大众兴趣，电视上的节目频道寥寥无几的时候，其内容总是会迎合大部分观众的兴趣，新闻、娱乐八卦、电视剧，虽然...
评分这本书是我学习推荐系统以来接触的第一本书，书是好书，作者为了写出像《集体编程智慧》那样实用的手册还是很下了番功夫，值得肯定，特别是作者还是国内的，就更要推荐了。 从入门的角度看，本书页数不多，不会让人望而却步，第一张的引入也写的确实让人很有兴趣，之后每个章节...
评分2009年8月，我和项亮一起发起了 ResysChina —— 一个面向推荐系统领域的专业社区。建立初衷，是想为业内关注推荐系统领域的朋友提供一个交流讨论的社区。迄今为止，业内朋友给予了 ResysChina 热情的鼓励与支持，我们组织了多次线下分享会，在嘉宾们为大家带来精彩观点的同时...
用户评价
我一直觉得，要真正掌握一个技术，就必须理解它的“前世今生”以及它背后的“为什么”。《推荐系统实践》恰恰满足了我的这个需求。它并没有简单地罗列出一堆算法，而是从推荐系统诞生的历史背景开始讲起，一步步地介绍了各种算法的演进过程。我之所以这么说，是因为作者在解释每一个算法的时候，都会先说明它解决了之前算法的哪些问题，或者说是在什么样的情况下被提出来的。比如，在讲到矩阵分解的时候，作者就清晰地解释了它如何克服了传统协同过滤在稀疏数据上的局限性。这种循序渐进的讲解方式，让我更容易理解算法的精髓，而不是死记硬背。而且，书中在介绍完算法原理后，还会立刻给出相应的工程实现建议，包括如何进行性能优化，如何处理大规模数据等。这对于我这种希望将理论知识转化为实际生产力的人来说，是非常宝贵的。我尤其喜欢书中关于离线评估和在线评估章节的对比分析，这让我深刻理解了理论指标和实际效果之间的差异，以及如何通过有效的评估体系来指导模型迭代。
评分《推荐系统实践》这本书给我的感觉是，它在梳理和总结业界成熟经验的同时，也隐藏着作者对于未来发展趋势的思考。我一直对如何让推荐系统更“懂”用户，更个性化这件事情很感兴趣，而这本书在这方面给了我很多启发。它不仅仅停留在介绍常见的推荐算法，而是更深入地探讨了如何从多维度的数据出发，构建更全面的用户画像和物品画像。书中关于用户行为序列分析、深度学习在推荐中的应用，以及如何处理多模态数据（比如文本、图像）来增强推荐效果的内容，都让我眼前一亮。我特别欣赏作者在书中提出的“千人千面”的设计理念，以及如何通过灰度发布、实时反馈等机制来不断优化推荐的准确性和用户体验。它不是那种一次性看完就束之高阁的书，而是更像一本工具书，可以反复查阅，每次阅读都能有新的收获。书中讨论的关于推荐系统伦理和偏见的问题，也让我开始反思，在追求技术效率的同时，如何兼顾公平性和用户权益。这种宏观的视角和对细节的把握，让我觉得这本书的作者非常有深度，并且对这个领域有着深刻的洞察。
评分说实话，我在阅读《推荐推荐系统实践》的过程中，最大的感受就是它的“实战”二字名副其实。很多技术书籍，尤其是涉及机器学习和数据挖掘的，往往会让人觉得离实际应用很远，充满了抽象的概念和复杂的数学符号。但这本《推荐系统实践》完全不同，它就像是把一个成熟的推荐系统开发流程，从零开始，一层一层地剥开，展示给我们看。从最基础的数据准备，到如何有效地提取用户和物品的特征，再到各种推荐算法的原理和应用，它都解释得非常清楚，而且每一部分都充满了实际的例子和代码片段，这对于我这种动手能力比理论分析能力强的人来说，简直是福音。我特别喜欢它关于协同过滤和基于内容的推荐那几章，作者不仅详细解释了算法的内在逻辑，还深入分析了它们各自的优缺点以及适用的场景。更让我惊喜的是，书中还涉及了如何进行A/B测试来评估推荐效果，以及如何将推荐模型部署到生产环境中，处理海量请求。这些都是在纯学术论文中很少能看到的，却是真正将推荐系统变成产品，产生价值的关键。读完这本书，我感觉自己对推荐系统的理解从“听说过”上升到了“能上手”的程度，充满了信心去尝试搭建自己的推荐系统。
评分老实说，对于《推荐系统实践》这本书，我最深刻的印象是它的“系统性”和“前瞻性”。在开始阅读之前，我以为它会是一本侧重于算法介绍的书，但读完之后才发现，它更像是一份完整的推荐系统生命周期的操作指南。作者不仅详细讲解了各种主流的推荐算法，更重要的是，他将这些算法置于一个完整的系统框架中进行阐述。从数据采集的细节，到特征工程的技巧，再到模型训练的注意事项，以及最终的部署和线上维护，书中都有条不紊地覆盖到了。让我印象深刻的是，书中对“工程化”的重视，这在很多学术类的推荐书籍中是比较少见的。作者在书中多次强调了模型的可扩展性、实时性以及鲁棒性等工程方面的重要性，并且给出了很多实用的建议。此外，书中对一些前沿技术，例如知识图谱在推荐中的应用、深度学习的最新进展等，也有所提及，这让我觉得这本书不仅仅是停留在过去，更是对未来的推荐系统发展方向有所展望。读这本书，就像是建立了一个完整的知识体系，让我不再是碎片化地学习推荐系统的各个组成部分。
评分这本《推荐系统实践》真的像是为我量身打造的！一直以来，我都在思考如何能更好地理解和应用推荐系统，尤其是当数据量越来越大，用户需求越来越个性化的时候。市面上有很多理论性的书籍，读起来有些枯燥，而且很多时候讲的都是很高深的数学模型，对于我这种更偏向工程实践和应用落地的人来说，总觉得隔靴搔痒。这本书的优点就在于它非常接地气，没有过多地纠缠于那些复杂的公式推导，而是直接切入到了推荐系统设计的核心问题，比如如何构建一个完整的推荐流程，从数据采集、特征工程到模型训练和在线部署。书中列举了许多实际项目中的案例，这些案例涵盖了不同的应用场景，比如电商、新闻、社交媒体等等，这让我能够清晰地看到不同场景下推荐系统的特点和挑战。更重要的是，作者在书中并没有止步于介绍现有的技术，而是鼓励读者去思考如何根据自身业务需求进行创新和优化。这一点对我启发很大，让我觉得推荐系统不只是一个固定的套路，而是一个需要不断迭代和演进的领域。特别是关于冷启动问题和实时推荐的章节，写得非常细致，给了我很多解决实际问题的思路和灵感。我感觉这本书就像一个经验丰富的导师，用最直接、最实用的方式指导我如何一步步构建出真正有价值的推荐系统。
评分系统性地介绍了这一领域，思路清晰，读完挺有收获的。看起来推荐的中主要难点在架构和策略上，算法都比较简单。
评分之前看到有人用贝叶斯做，结合来看。
评分充分照顾了我的智商
评分三星给内容，一星给启发式讲解
评分收获还行，虽然我不懂算法
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.quotespace.org All Rights Reserved. 小美书屋 版权所有