Recommender Systems Handbook讀書筆記之7
《Recommender Systems Handbook》，市面上不多的關於推薦系統的書之一。2010年10月出版，英文版。目前還沒有中文版，估計出中文版的可能性不大，讀者數量太少了。全書871頁，比較厚。Amazon.com上這本書還沒有讀者評論，看來在英語世界里“推薦系統“這個主題也相對比較冷。
這本書斷斷續續看了三個月。總體感覺還是很不錯。由一群相關領域的研究人員集體編寫，每一章都有幾位研究者負責。
全書共分五大部分：
1：基礎技術，介紹各種推薦算法。
2：具體應用及其評估
3：與推薦系統交互
4：推薦系統與社群
5：高級算法
一二部分比較基礎，后面三個部分相對來說離實際應用遠一些，許多內容還處於研究中。
以下是讀書過程中的一些摘抄（大部分是從前6篇筆記中復制過來的）
書中第一章是全書介紹，其中總結了推薦系統的用途如下：
1：增加產品銷售量；
2：銷售更多類別的產品。推薦系統可以推薦出用戶可能本來不會去留意的其他類別的商品；
3：提高用戶滿意度；
4：提高用戶忠誠度；
5：更好地理解用戶需求；
6：找到一些優秀的產品；
7：找到全部優秀的產品；某些場景（比如一些醫療或財務的應用）需要找到全部的合適的產品；
8：對產品做注解，比如在電視推薦系統中說明哪些節目值得觀看；
9：推薦系列產品；
10：推薦打包產品；
11：只看不買，這種場景下仍然可以推薦出匹配用戶興趣的產品；
12：找到可信的推薦系統：有時候用戶不相信系統的推薦，有些體統可以提供一些功能讓用戶去測試它們的推薦結果；
13：改善用戶資料：通過推薦系統可以知道更多的用戶的喜好；
14：自我表達：有些用戶喜歡表達自己對產品的看法；
15：幫助他人；
16：影響他人；
第二章：推薦系統中使用的數據挖掘方法，分為：數據處理（相似度度量、抽樣、降維、降噪）、分類（具體算法有最近鄰、決策樹、基於規則的分類、貝葉斯分類、人工神經網絡、支持向量機）、聚類分析、關聯規則挖掘
第三章：基於內容的推薦系統：State of the Art and Trends。
第四章：基於近鄰的推薦方法概覽。
以下一小段內容摘譯自第四章：
有三種類型的信息搜索：
1：搜索對象清晰可辨；
2：搜索對象不能被完全描述，但是可以被一眼認出；
3：以意外的、偶然的方式獲取信息；
第五章：協同過濾中的改進；
第六章：開發基於約束的推薦器；
以下內容摘自第六章：
傳統推薦方法（基於內容的過濾和協同過濾）對於書，電影，新聞之類的產品是非常適合的。但是在汽車，電腦，房產，財務服務等領域的推薦中不是最好的方法。比如房產的買賣數量要少很多，某個產品不容易收集到大量的用戶評價。並且，用戶對基於數年前的產品特征的推薦會很不滿意。
基於知識的推薦系統可以解決這類問題，並且基於知識的推薦系統沒有冷啟動（新產品得不到推薦）的問題。當然，知識獲取是這類系統的瓶頸。
第七章：上下文感知的推薦系統：常規推薦系統只考慮user和item，上下文感知的推薦系統則認為“上下文信息”也需要考慮。比如旅游網站的推薦，冬天與夏天應該有很大不同；再比如新聞網站的推薦需要考慮時間，工作日用戶更願意關注時事新聞和股市信息，周末則更願意關注電影評論和購物信息；
第八章：評估推薦系統
第九章：一個IPTV服務供應商的推薦系統：一個大規模產品環境。介紹一個電視點播系統中的推薦系統。挑戰是需要實時，同時又無法判斷操作遙控器的用戶的身份（解決方案是根據時間段來區分用戶）
第十章：如何在實驗室之外得到推薦系統：介紹搭建實際應用的推薦系統需要考慮的方面；
第十一章：匹配推薦技術與領域：介紹不同應用場景下適用的推薦技術與算法；
第十二章：Technology Enhanced Learning中的推薦系統；
第十三章：對於評論推薦系統（Critiquing Recommenders）的評估。所謂評論推薦系統，是根據用戶的評論來調整推薦內容的系統。
第十四章：創建更可信的、更有說服力的推薦系統：原始特征對推薦系統評估的影響
第十五章：為推薦系統設計、評估“推薦系統給用戶的解釋”（Designing and Evaluating Explanations for
Recommender Systems）
第十六章：對“基於點評研究的生產推薦系統”的可用性的指導
第十七章：基於地圖的產品類別可視化
第十八章：個性化web搜索中的社群、協同與推薦系統
第十九章：社區tag推薦系統
第二十章：信任與推薦
第二十一章：團體推薦系統：合並個體模型
第二十二章：聚集推薦系統中的參數
第二十三章：推薦系統中的實時學習
第二十四章：多個評判標准的推薦系統
第二十五章：健壯的推薦