●出版者的話譯者序前言第一部分  基礎知識第1章  簡介21.1  面向網絡應用的推薦繫統概述31.1.1  算法31.1.2  優化指標51.1.3  探索與利用之間的權衡51.1.4  推薦繫統的評估51.1.5  推薦和搜索：推送與拉取61.2  一個簡單的評分模型：熱門推薦71.3  練習10第2章  經典推薦方法112.1  物品特征112.1.1  分類122.1.2  詞袋模型132.1.3  主題建模152.1.4  其他物品特征162.2  用戶特征162.2.1  聲明的個人信息172.2.2  基於內容的畫像172.2.3  其他用戶特征182.3  基於特征的方法182.3.1  無監督方法182.3.2  有監督方法192.3.3  上下文信息222.4  協同過濾222.4.1  基於用戶-用戶相似度的方法232.4.2  基於物品-物品相似度的方法242.4.3  矩陣分解242.5  混合方法272.6  小結282.7  練習28第3章  面向推薦問題的探索與利用293.1  探索與利用之間的權衡簡介303.2  多臂 問題313.2.1  貝葉斯方法313.2.2  極小化極大方法343.2.3  啟發式賭博方案353.2.4  方法評價363.3  推薦繫統中的探索與利用363.3.1  熱門推薦363.3.2  個性化推薦363.3.3  數據稀疏性的挑戰373.4  處理數據稀疏性的探索與利用373.4.1  降維方法373.4.2  降維中的探索與利用393.4.3  在線模型393.5  小結403.6  練習40第4章  評估方法414.1  傳統的離線評估方法414.1.1  數據劃分方法424.1.2  準確度指標444.1.3  排序指標454.2  在線分桶測試494.2.1  設置分桶測試494.2.2  在線性能指標504.2.3  測試結果分析514.3  離線模擬524.4  離線回放544.4.1  基本回放估計554.4.2  回放的擴展574.5  小結584.6  練習58第二部分  常見問題設置第5章  問題設置與繫統架構605.1  問題設置605.1.1  常見的推薦模塊605.1.2  應用設置635.1.3  常見的統計方法655.2  繫統架構665.2.1  主要組件665.2.2  示例繫統67第6章  熱門推薦696.1  應用案例：雅虎“今日”模塊696.2  問題定義716.3  貝葉斯方案726.3.1  2×2案例：兩件物品，兩個間隔736.3.2  K×2案例：K件物品，兩個間隔756.3.3  一般解776.4  非貝葉斯方案796.5  實驗評估816.5.1  比較分析816.5.2  方案刻畫836.5.3  分段分析856.5.4  桶測試結果866.6  大規模內容池876.7  小結876.8  練習88第7章  基於特征回歸的個性化897.1  快速在線雙線性因子模型907.1.1  FOBFM概述907.1.2  FOBFM詳解917.2  離線訓練937.2.1  EM算法947.2.2  E步驟957.2.3  M步驟967.2.4  可擴展性977.3  在線學習977.3.1  在線高斯模型977.3.2  在線邏輯模型987.3.3  探索與利用方案997.3.4  在線模型選擇997.4  雅虎數據集上的效果展示1007.4.1  My Yahoo!數據集1017.4.2  雅虎首頁數據集1037.4.3  不包含離線雙線性項的FOBFM1057.5  小結1057.6  練習106第8章  基於因子模型的個性化1078.1  面向回歸的隱因子模型1078.1.1  從矩陣分解到RLFM1088.1.2  模型詳解1098.1.3  RLFM的隨機過程1128.2  擬合算法1138.2.1  適用於高斯響應的EM算法1148.2.2  適用於邏輯響應的基於ARS的EM算法1188.2.3  適用於邏輯響應的變分EM算法1218.3  冷啟動效果展示1248.4  時間敏感物品的大規模推薦1278.4.1  在線學習1278.4.2  並行擬合算法1288.5  大規模問題效果展示1308.5.1   MovieLens-1M數據1318.5.2  小規模雅虎首頁數據1328.5.3  大規模雅虎首頁數據1348.5.4  結果討論1378.6  小結1388.7  練習138第三部分  進階主題第9章  基於隱含狄利克雷分布的分解1409.1  簡介1409.2  模型1419.2.1  模型概述1419.2.2  模型詳解1429.3  訓練和預測1459.3.1  模型擬合1459.3.2  預測1509.4  實驗1509.4.1  MovieLens數據1509.4.2  Yahoo! Buzz應用1519.4.3  BookCrossing數據集1539.5  相關工作1549.6  小結155第10章  上下文相關推薦15610.1  張量分解模型15710.1.1  建模15710.1.2  模型擬合15810.1.3  討論15910.2  層次收縮模型16010.2.1  建模16010.2.2  模型擬合16110.2.3  局部增強張量模型16410.3  多角度新聞文章推薦16510.3.1  探索性數據分析16610.3.2  實驗評估17110.4  相關物品推薦17610.4.1  語義相關性17710.4.2  響應預測17710.4.3  預測響應和預測相關性的結合17810.5  小結178第11章  多目標優化17911.1  應用設置17911.2  分段方法18011.2.1  問題設置18011.2.2  目標優化18111.3  個性化方法18311.3.1  原始表示18411.3.2  拉格朗日對偶18511.4  近似方法18811.4.1  聚類18811.4.2  采樣18911.5  實驗18911.5.1  實驗設置19011.5.2  實驗結果19111.6  相關工作19711.7  小結198參考文獻199索引205

本書由LinkedIn公司的技術專家撰寫，著眼於推薦繫統的核心—統計方法，不僅講解理論知識，而且分享了作者在LinkedIn和Yahoo!的實踐經驗。全書分為三部分：第一部分介紹推薦繫統的組成、經典推薦方法及評估方法，並引出了探索與利用問題；第二部分圍繞點擊通過率（CTR）預估這一重要問題，重點介紹快速在線雙線性因子模型和面向回歸的隱因子模型，為熱門推薦和個性化推薦提供解決方案；第三部分討論進階主題，涵蓋分解的隱含狄利克雷分布模型、張量分解模型、層次收縮模型以及多目標優化方法。

[美] 迪帕克·K. 阿加瓦爾（Deepak K. Agarwal） 陳必衷 著 戴薇 潘微科 明仲 譯

這本書講什麼推薦繫統是一類自動化的計算機程序，能夠在不同場景下將物品和用戶進行匹配。推薦繫統無處不在，已然成為我們日常生活的一部分。例如，亞馬遜購物網站上的產品推薦，雅虎上的內容推薦，Netflix上的電影推薦，領英上的工作推薦等。匹配算法的構建需要用到大量高頻數據，它們來源於用戶與物品的歷史交互行為。從本質上來看，推薦算法屬於統計學範疇，在序貫決策過程、高維類別數據的建模以及開發可伸縮的統計方法等領域都面臨著挑戰。在推薦繫統領域，算法的推陳出新依賴於計算機科學家、機器學習專家、統計學家、優化專家、繫統專家，當然還有領域專家之間的密切合作。可以說，推薦繫統是大數據領域最振奮人心的應用之一。我們為什麼寫這本書雖然計算機科學、機器學習和統計學等領域已有大量關於推薦繫統的書籍，但它們僅針對問題的某些特定方面，沒有綜合考慮所有的統計問題，也沒有分析這些統計問題是如何相互關聯的。而我們也是在雅虎和領等