第一章 引言
书中首先以在线书店为例，讲述了书店向特定用户推荐相关书籍的推荐系统，引申出推荐系统的类别——个性化推荐与热门推荐。在线书店是个性化推荐系统。每一个人由于其兴趣爱好不同，在系统中会看到不同的列表。当然也会有畅销书的推荐，而畅销书的推荐，显示的是当前用户群体，大众的关注热点，表示的是一种群体性推荐。
这本书重点讨论的是前面一种：也就是个性化的推荐系统。
提供个性化的推荐系统需要了解到用户的信息。它必须开发并维护一个用户模型或者用户记录来保存用户的偏好。以在线书店为例子，系统需要记住访客的浏览或者买过的书，从而预测他可能感兴趣的书。
尽管用户模型对推荐系统很重要，但是如何获取并利用这个信息，往往是取决于特定的推荐技术的。
用户的偏好可以通过监测用户行为隐式地获取，也可以通过询问访问者，显式地获取。
在获取用户的信息后，系统该如何利用，以及利用什么额外的信息。这些是推荐系统要解决的一部分问题。
目前已经在许多在线书店应用的方法：基于群体或协同的方法。
本书分为两部分：
第一部分总结了几年来被广泛接受的推荐系统方面的研究成果，介绍了协同过滤、基于内容的过滤、基于知识的推荐和混合推荐方法的基本理论框架。此外，还包含了解释推荐物品的原因和评估推荐结果质量。
第二部分讨论了推荐系统的最近研究课题。如：如何因对外来攻击和操作推荐系统的做法、支持消费决策和可能的说服策略、社交和语义网背景下的推荐系统和所有领域应用推荐系统。第二部分可以看作是持续研究的参考。
本书的第一部分简介：
协同过滤的推荐
这些推荐的思想是：如果用户在过去有相同的偏好，他们在未来也有相同的偏好。
基于协同过滤推荐下，一般需要回答几个问题：
我们如何发现与我们要推荐的用户有着相似的偏好的用户？
如何衡量相似度？
如何处理还没有购买经历的用户？
如果只有很少的评分怎么办？
除了利用相似的用户之外，还有哪些技术可以预测某个用户是否喜欢其他物品？
其实，纯粹的协同过滤方法不会用到和要求任何和物品有关本身的知识的。
基于内容的推荐
它的核心是：能够得到物品的描述，和这些特征的重要记录。
基于内容的推荐下，需要回答如下的问题：
系统如何获取并持续改进用户记录？
如何决定哪个物品匹配或至少能接近、符合用户的兴趣？
什么技术能自动抽取或学习物品的描述，减少人工标注？
与不涉及内容的方法比较，基于内容的推荐有两大优点：
1.不需要大规模用户就可以达到适度的推荐精准度 2.一旦得到物品的属性就能立即推荐新物品。
基于知识的推荐
如果我们把注意力投向其他领域，比如消费电子产品，就会涉及大量单次购买者。这意味着我们可能无法依赖购买记录，而这却是基于内容过滤和协同过滤的前提条件。即使如此，我们还是能够获取到更为精细化和结构化的内容，包括专业化的优质特征。
基于知识的推荐系统需要额外的因果关系知识生成推荐。在这种基于知识的方法中，推荐系统通常会用到有关当前用户和有效商品的额外信息。基于约束的推荐就是此类系统的例子（就类似与taobao，京东此类网站，需要用户设定条件，才能给你过滤，推荐产品）
基于知识的推荐系统要解决的问题如下：
什么机制可根据用户的特点来选择和排名物品？（为什么把某一个放在前面，把某一个放在后面）
哪种领域知识能表示成知识库？
如何在没有购买记录的领域获取用户信息？
如何处理用户直接给出的偏好信息？
哪种交互方式能够用英语交互式推荐系统？
设计对话时，要考虑哪些个性化因素才能保证获取用户的偏好信息？
混合推荐
由于问题的背景不同，每一种方法都有其优劣势。一种显而易见的方法就是组合不同技术产生更好或更精准的推荐。这种设计尤其适用于克服纯粹协同过滤方法的规模膨胀问题，并可以以来内容分析处理新物品或新用户。
在推荐系统中混合使用不同的方法时必须回答一下几个问题：
哪些方法能被组合，特定组合的前提是什么？
两个或多个推荐算法是应该顺序计算，还是按照其他方法计算？
不同的方法如何赋予权重，可以动态赋权吗？
一般来说，推荐系统的目的有两个：一方面，推荐系统被用于激发用户去做某件事；另一方面，也可以看作是解决信息过载的工具。
因此，推荐系统也深深根植于信息检索和信息过滤的领域。
推荐系统的解释
解释是未来让用户更容易理解推荐系统的推理脉络。
如何评估推荐系统？评估的方法有哪些？
评估方法有：实验、半实验和非实验三种设计方法。需要回答的问题有：
哪些研究适用于评估推荐系统？
如何利用历史数据实验评估推荐系统？
用什么衡量来适应不同的评估目标？
现有的评估技术的局限是什么？尤其是推荐系统的会话性或商业价值方面。