导语

  

内容提要

  

    要构建一个实用的“智能”推荐系统，不仅需要有好的算法，还需要了解接收推荐的用户。本书分为两部分，第一部分侧重于基础架构，主要介绍推荐系统的工作原理，展示如何创建推荐系统，以及给应用程序增加推荐系统时，应该如何收集和应用数据；第二部分侧重于算法，介绍推荐系统算法，以及如何使用系统收集的数据来计算向用户推荐什么内容。作者还教授了如何使用最流行的推荐算法，并剖析它们在Amazon和Netflix等网站上的实际应用。

    金·福尔克(Kim Falk)，是一位数据科学家，他在构建数据驱动的应用程序方面有着丰富的经验。他对推荐系统和机器学习很感兴趣。他所训练的推荐系统，为用户推荐合适的电影，为人们推送广告，甚至帮助律师找到判例法的内容。自2010年以来，他一直从事大数据解决方案和机器学习方面的工作。Kim经常参与有关推荐系统的演讲和写作。
    当Kim不工作的时候，他就是一个居家男人，是一位父亲，会带着他的德国短毛指示犬进行越野跑。

第1部分　推荐系统的准备工作
  第1章  什么是推荐
    1.1  现实生活中的推荐
      1.1.1  推荐系统在互联网上大显身手
      1.1.2  长尾
      1.1.3  Netflix 的推荐系统
      1.1.4  推荐系统的定义
    1.2  推荐系统的分类
      1.2.1  域
      1.2.2  目的
      1.2.3  上下文
      1.2.4  个性化级别
      1.2.5  专家意见
      1.2.6  隐私与可信度
      1.2.7  接口
      1.2.8  算法
    1.3  机器学习与Netflix Prize
    1.4  MovieGEEKs网站
      1.4.1  设计与规范
      1.4.2  架构
    1.5  构建一个推荐系统
    小结
  第2章  用户行为以及如何收集用户行为数据
    2.1  在浏览网站时Netflix如何收集证据
      2.1.1  Netflix 收集的证据
    2.2  寻找有用的用户行为
      2.2.1  捕获访客印象
      2.2.2  可以从浏览者身上学到什么
      2.2.3  购买行为
      2.2.4  消费商品
      2.2.5  访客评分
      2.2.6  以（旧的）Netflix方式了解你的用户
    2.3  识别用户
    2.4  从其他途径获取访客数据
    2.5  收集器
      2.5.1  构建项目文件
      2.5.2  数据模型
      2.5.3  告密者（snitch）：客户端证据收集器
      2.5.4  将收集器集成到MovieGEEKs中
    2.6  系统中的用户是谁以及如何对其进行建模
    小结
  第3章  监控系统
    3.1  为什么添加仪表盘是个好主意
      ……
  第4章  评分及其计算方法
  第5章  非个性化推荐
  第6章  冷用户（冷商品）
第2部分  推荐算法
  第7章  找出用户之间和商品之间的相似之处
  第8章  邻域协同过滤
  第9章  评估推荐系统
  第10章  基于内容的过滤
  第11章  用矩阵分解法寻找隐藏特征
  第12章  运用佳算法来实现混合推荐
  第13章  排序和排序学习
  第14章  推荐系统的未来