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