Recommender Systems Handbook读书笔记

《Recommender Systems Handbook》，市面上不多的关于推荐系统的书之一。2010年10月出版，英文版。目前还没有中文版，估计出中文版的可能性不大，读者数量太少了。全书871页，比较厚。Amazon.com上这本书还没有读者评论，看来在英语世界里“推荐系统“这个主题也相对比较冷。

这本书断断续续看了三个月。总体感觉还是很不错。由一群相关领域的研究人员集体编写，每一章都有几位研究者负责。

全书共分五大部分：
1：基础技术，介绍各种推荐算法。
2：具体应用及其评估
3：与推荐系统交互
4：推荐系统与社群
5：高级算法

一二部分比较基础，后面三个部分相对来说离实际应用远一些，许多内容还处于研究中。

以下是读书过程中的一些摘抄（大部分是从前6篇笔记中复制过来的）

书中第一章是全书介绍，其中总结了推荐系统的用途如下：

1：增加产品销售量；
2：销售更多类别的产品。推荐系统可以推荐出用户可能本来不会去留意的其他类别的商品；
3：提高用户满意度；
4：提高用户忠诚度；
5：更好地理解用户需求；
6：找到一些优秀的产品；
7：找到全部优秀的产品；某些场景（比如一些医疗或财务的应用）需要找到全部的合适的产品；
8：对产品做注解，比如在电视推荐系统中说明哪些节目值得观看；
9：推荐系列产品；
10：推荐打包产品；
11：只看不买，这种场景下仍然可以推荐出匹配用户兴趣的产品；
12：找到可信的推荐系统：有时候用户不相信系统的推荐，有些体统可以提供一些功能让用户去测试它们的推荐结果；
13：改善用户资料：通过推荐系统可以知道更多的用户的喜好；
14：自我表达：有些用户喜欢表达自己对产品的看法；
15：帮助他人；
16：影响他人；

第二章：推荐系统中使用的数据挖掘方法，分为：数据处理（相似度度量、抽样、降维、降噪）、分类（具体算法有最近邻、决策树、基于规则的分类、贝叶斯分类、人工神经网络、支持向量机）、聚类分析、关联规则挖掘
第三章：基于内容的推荐系统：State of the Art and Trends。
第四章：基于近邻的推荐方法概览。

以下一小段内容摘译自第四章：

有三种类型的信息搜索：
1：搜索对象清晰可辨；
2：搜索对象不能被完全描述，但是可以被一眼认出；
3：以意外的、偶然的方式获取信息；

第五章：协同过滤中的改进；
第六章：开发基于约束的推荐器；

以下内容摘自第六章：

传统推荐方法（基于内容的过滤和协同过滤）对于书，电影，新闻之类的产品是非常适合的。但是在汽车，电脑，房产，财务服务等领域的推荐中不是最好的方法。比如房产的买卖数量要少很多，某个产品不容易收集到大量的用户评价。并且，用户对基于数年前的产品特征的推荐会很不满意。
基于知识的推荐系统可以解决这类问题，并且基于知识的推荐系统没有冷启动（新产品得不到推荐）的问题。当然，知识获取是这类系统的瓶颈。

第七章：上下文感知的推荐系统：常规推荐系统只考虑user和item，上下文感知的推荐系统则认为“上下文信息”也需要考虑。比如旅游网站的推荐，冬天与夏天应该有很大不同；再比如新闻网站的推荐需要考虑时间，工作日用户更愿意关注时事新闻和股市信息，周末则更愿意关注电影评论和购物信息；
第八章：评估推荐系统

第九章：一个IPTV服务供应商的推荐系统：一个大规模产品环境。介绍一个电视点播系统中的推荐系统。挑战是需要实时，同时又无法判断操作遥控器的用户的身份（解决方案是根据时间段来区分用户）
第十章：如何在实验室之外得到推荐系统：介绍搭建实际应用的推荐系统需要考虑的方面；
第十一章：匹配推荐技术与领域：介绍不同应用场景下适用的推荐技术与算法；
第十二章：Technology Enhanced Learning中的推荐系统；

第十三章：对于评论推荐系统（Critiquing Recommenders）的评估。所谓评论推荐系统，是根据用户的评论来调整推荐内容的系统。
第十四章：创建更可信的、更有说服力的推荐系统：原始特征对推荐系统评估的影响
第十五章：为推荐系统设计、评估“推荐系统给用户的解释”（Designing and Evaluating Explanations for
Recommender Systems）
第十六章：对“基于点评研究的生产推荐系统”的可用性的指导
第十七章：基于地图的产品类别可视化
第十八章：个性化web搜索中的社群、协同与推荐系统
第十九章：社区tag推荐系统
第二十章：信任与推荐
第二十一章：团体推荐系统：合并个体模型
第二十二章：聚集推荐系统中的参数
第二十三章：推荐系统中的实时学习
第二十四章：多个评判标准的推荐系统
第二十五章：健壮的推荐