书籍介绍
这是一本2012年出版的国内首部系统讲解推荐系统的书，吴军作序称其填补了该领域的空白。但真正值得细看它的，不是它讲了多少算法，而是它把「评测」提到了和算法同等重要的位置——离线准确率、召回率、实验设计、信任度，几乎每个模型都配了横向比较。这恰是它最经得起推敲之处：它不回避「社会化推荐换不来离线精度」「好友未必有相似兴趣」这类尴尬结论，也不粉饰「很多python代码经不起推敲」的缺憾。因此它更适合两类人：一是想快速建立知识框架的门外汉，二是愿意顺着书末论文清单深挖的从业者。它不是案头工具书，而是一张通往推荐系统全貌的地图，读完后你会开始留意淘宝、豆瓣背后那只看不见的手。
作者简介
项亮，毕业于中国科学技术大学和中国科学院自动化所，研究方向为机器学习和推荐系统，现任职于北京Hulu软件技术开发有限公司，从事视频推荐的研究和开发。2009年参加Netflix Prize推荐系统比赛获得团体第二名，且于当年发起创建了Resys China推 荐系统社区。
AI导读
核心看点
- 国内首部推荐系统专著，填补领域空白。
- 强调数据分析与工程实践，淡化复杂算法。
- 系统讲解协同过滤、隐语义模型等核心算法。
读者共识
- 通俗易懂，是极佳的推荐系统入门读物。
- 理论结合实践，帮助理解算法落地过程。
- 干货相对较少，深度不足，适合快速浏览。
精彩摘录
- "社会化推荐系统的效果往往很难通过离线试验评测，因为社会化推荐的优势不在于增加预测准确度，而是在于通过用户的好友增加用户对推荐结果的信任度，从而让用户单击那些很冷门的推荐结果"
- "此外，很多社交网站中具有好友关系的用户不一定有相似的兴趣"
- "Facebook为代表的社交网络称为社交图谱（social graph），而以Twitter为代表的社交网络称为兴趣图谱（interest graph）。"
- "社交网络可以解决冷启动问题。社会化推荐的缺点在于不能提供推荐算法的离线精度（准确率和召回率）。基于社交图谱数据的推荐系统中，因为用户关系不是基于共同兴趣产生的，所以用户好友的兴趣往往和用户的兴趣并不一致。"
- "推荐系统的初衷是希望消除马太效应，使得各种物品都能被展示给对他们感兴趣的某一类人群。"
- "提高推荐系统的信任度主要有两种方法。首先需要增加推荐系统的透明度（transparency），而增加推荐系统透明度的主要办法是提供推荐解释。"
- "准确度、覆盖度、新颖度、惊喜度、信任度、透明度"
- "1. 离线实验 数据集按一定规则分成：训练集和测试集 2. 用户调查 按目标用户比例分布找实际用户测试 3. 在线实验 与旧推荐系统进行AB测试 采用此方法一般要求先进行上面1，2的方法"
目录
用户评论
系统性地介绍了这一领域，思路清晰，读完挺有收获的。看起来推荐的中主要难点在架构和策略上，算法都比较简单。
看完之后从书中拼凑出自己想要的推荐系统架构还是有点困难（其实主要原因是自身产品就是一个无比庞杂的架构）。另外我发现推荐系统的书都很少讲业务逻辑和产品形态，目前只有这本稍微涉及一些（已然比较out了）。作为pm还是多看看一些slides吧。
hmm 入门的不错书籍
:TP393/1090
入门级
比较旧的推荐系统的书了，适合入门。 使用用户行为数据，挖掘用户标签，利用上下文信息和社交网络数据。
很久以前买的书籍，中途断断续续的阅读，看了一年多。最近因为业务需求又读了读。书籍内容不是很新，但比较全面，可以从整体上了解推荐系统的框架
过年宅家看完的第一本书，质量一般，体系架构不够清晰，很多内容前后重复，需要一个更好的逻辑梳理脉络。但整书贯彻的理念可圈可点，推荐系统是大数据时代解决人类所面临的信息过载问题的必备工具。
还可以
- 推荐系统把用户的行为信息、内容的信息等等考虑进一个公式中，然后按照公式不断优化最终的目标，公式本身也可以不断迭代，获得一个相对更优的结果。
- UG也是把DAU量化为公式，然后做到效率的极致。
- 相似性上，推荐系统和UG都是在通过量化的方式提升效率。
字节跳动是一个在效率这点上很top的公司。
下载
收藏