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。
第1章 概述1.1 简介1.2 推荐系统的功能1.3 数据和知识资源1.4 推荐技术1.5 应用与评价1.6 推荐系统与人机交互1.7 推荐系统是个交叉学科领域1.8 出现的问题和挑战参考文献第一部分 基础技术第2章 推荐系统中的数据挖掘方法2.1 简介2.2 数据预处理2.3 分类2.4 聚类分析2.5 关联规则挖掘2.6 总结致谢参考文献第3章 基于内容的推荐系统：前沿和趋势3.1 简介3.2 基于内容的推荐系统的基础3.3 基于内容的推荐系统的现状3.4 趋势和未来研究3.5 总结参考文献第4章 基于近邻推荐方法综述4.1 简介4.1.1 问题公式化定义4.1.2 推荐方法概要4.1.3 基于近邻方法的优势4.1.4 目标和概要4.2 基于近邻推荐4.2.1 基于用户评分4.2.2 基于用户分类4.2.3 回归与分类4.2.4 基于物品推荐4.2.5 基于用户和基于物品推荐的对比4.3 近邻方法的要素4.3.1 评分标准化4.3.2 相似度权重计算4.3.3 近邻的选择4.4 高级进阶技术4.4.1 降维方法4.4.2 基于图方法4.5 总结参考文献
相关资源：推荐系统 技术、评估及高效算法