前言Recommender Systems: The Textbook大自然呈現(xiàn)在我們面前的只是一頭獅子的尾巴。但不要懷疑獅子的存在，盡管它因?yàn)樯硇途薮蟛荒荞R上現(xiàn)出全身。
——Albert Einstein隨著Web成為商務(wù)和電子交易的重要媒介，推薦系統(tǒng)在20世紀(jì)90年代變得越來越重要。人們很早就認(rèn)識到Web為個(gè)性化服務(wù)提供了空前的機(jī)會(huì)，這是其他渠道是不可能做到的。特別是Web為數(shù)據(jù)收集提供了便利，并且提供了一種非侵入式地推薦物品的用戶界面。
自此以后，在公眾眼中，推薦系統(tǒng)已經(jīng)得到了顯著的發(fā)展。這一事實(shí)的證據(jù)是，有許多會(huì)議和研討會(huì)專門探討該領(lǐng)域。會(huì)議ACM Conference on Recommender Systems特別值得一提，因?yàn)樗鼮樵擃I(lǐng)域定期貢獻(xiàn)了許多前沿工作。推薦系統(tǒng)領(lǐng)域非常多樣化，因?yàn)樗�能夠使用各種類型的用戶偏好數(shù)據(jù)和用戶需求數(shù)據(jù)來做推薦。推薦系統(tǒng)中最著名的方法包括協(xié)同過濾方法、基于內(nèi)容的方法和基于知識的方法。這三種方法構(gòu)成了推薦系統(tǒng)研究領(lǐng)域的基本支柱。近年來，已經(jīng)設(shè)計(jì)了一些專門的方法來針對不同的數(shù)據(jù)領(lǐng)域和上下文，例如時(shí)間、位置和社會(huì)信息。針對專門的場景提出了大量高級的方法，這些方法可以調(diào)整用于不同的應(yīng)用領(lǐng)域，例如查詢?nèi)罩就诰�、新聞推薦和計(jì)算廣告。本書的結(jié)構(gòu)安排體現(xiàn)了這些重要的話題。本書的章節(jié)可以分為三類：
1）算法和評估：這些章節(jié)討論了推薦系統(tǒng)中的基本算法，包括協(xié)同過濾方法（第2和4章）、基于內(nèi)容的方法（第4章）和基于知識的方法（第5章）。這些方法的混合在第6章中討論。第7章討論了推薦系統(tǒng)評估。
2）特定領(lǐng)域和上下文的推薦：推薦系統(tǒng)的上下文在提供有效推薦方面扮演了至關(guān)重要的角色。例如，一個(gè)用戶想要用其位置作為附加的上下文（context）來查找飯店。推薦的上下文可以被看作是影響推薦目標(biāo)的重要輔助信息。不同類型的域，例如時(shí)間數(shù)據(jù)、空間數(shù)據(jù)和社會(huì)數(shù)據(jù)，提供了不同類型的上下文。相關(guān)的方法在第8～11章中討論。第11章也討論了利用社會(huì)信息來增加推薦過程可信度的話題。最近的話題（如分解機(jī)和可信推薦系統(tǒng)）在這些章節(jié)中也有涉及。
3）高級話題和應(yīng)用：在第12章中，我們將從各個(gè)角度討論推薦系統(tǒng)的健壯性，例如欺詐（shilling）系統(tǒng)、攻擊模式及其防御。此外，近期的一些話題，例如排名學(xué)習(xí)、多臂賭博機(jī)、組推薦系統(tǒng)、多標(biāo)準(zhǔn)推薦系統(tǒng)和主動(dòng)學(xué)習(xí)系統(tǒng)，將在第13章中討論。該章的一個(gè)重要目標(biāo)是向讀者介紹當(dāng)前研究的基本思想和原則。雖然不可能在一本書里對當(dāng)前所有的研究技術(shù)細(xì)節(jié)進(jìn)行討論，但我們希望最后一章能夠在高級話題方面為讀者“破冰”。在這一章中，我們也研究了推薦技術(shù)的一些應(yīng)用環(huán)境，例如新聞推薦、查詢推薦和計(jì)算廣告。本章還討論了如何將前面章節(jié)中介紹的方法應(yīng)用于各個(gè)不同的領(lǐng)域。
盡管本書是作為教科書來編寫的，但仍有很多來自于工業(yè)界和學(xué)術(shù)界的讀者。因此，我們也從應(yīng)用角度和文獻(xiàn)角度來撰寫此書。書中提供了大量的示例和習(xí)題，使得它可以被用作教科書。由于大部分推薦系統(tǒng)課程只涵蓋基礎(chǔ)話題，因此有關(guān)基礎(chǔ)話題的章節(jié)和算法著重于課堂教學(xué)。另一方面，工業(yè)界人員也許發(fā)現(xiàn)討論上下文敏感的推薦系統(tǒng)的章節(jié)很有用，因?yàn)樵谠S多真實(shí)的應(yīng)用中會(huì)有大量可用的上下文輔助信息。第13章的應(yīng)用部分是特別為工業(yè)界人員編寫的，不過教師也許會(huì)發(fā)現(xiàn)它在推薦課程中也是有用的。
最后，我們對所使用的符號進(jìn)行簡要的介紹。本書中一直使用一個(gè)m×n的評分矩陣，記為R，其中m是用戶的數(shù)量，n是物品的數(shù)量。矩陣R是不完整的，因?yàn)橹挥幸徊糠猪?xiàng)是已觀測的。R的第(i,j)項(xiàng)表示用戶i對物品j的評分，當(dāng)它是已觀測項(xiàng)時(shí)，被記為rij。當(dāng)項(xiàng)(i,j)是由推薦算法預(yù)測得到（而不是用戶指定）時(shí)，被記為帶“帽子”符號（即抑揚(yáng)符號）的r∧ij，表示它是一個(gè)預(yù)測的值。向量用“上劃線”來表示，例如X或y。
致謝Recommender Systems: The Textbook感謝在撰書期間妻子和女兒給予我的愛和支持，感謝父母給我持續(xù)的愛。
本書得到了很多人直接和間接的幫助，我很感激他們。在撰寫本書時(shí)，我收到了許多同事的反饋，他們是Xavier Amatriain、Kanishka Bhaduri、Robin Burke、Martin Ester、Bart Goethals、Huan Liu、Xia Ning、Saket Sathe、Jiliang Tang、Alexander Tuzhilin、Koen Versetrepen和Jieping Ye。感謝他們所提供的建設(shè)性反饋。這些年來，我從大量合作者那里受益良多。這些見解直接或間接地影響了本書。首先感謝多年來與我合作的Philip S. Yu。其他重要的合作者還包括Tarek F. Abdelzaher、Jing Gao、Quanquan Gu、Manish Gupta、Jiawei Han、Alexander Hinneburg、Thomas Huang、Nan Li、Huan Liu、Ruoming Jin、Daniel Keim、Arijit Khan、Latifur Khan、Mohammad M. Masud、Jian Pei、Magda Procopiuc、Guojun Qi、Chandan Reddy、Saket Sathe、Jaideep Srivastava、Karthik Subbian、Yizhou Sun、Jiliang Tang、Min�睭suan Tsai、Haixun Wang、Jianyong Wang、Min Wang、Joel Wolf、Xifeng Yan、Mohammed Zaki、ChengXiang Zhai和Peixiang Zhao。我也要感謝導(dǎo)師James B. Orlin在早期對我的指導(dǎo)。
還要感謝我的經(jīng)理Nagui Halim在我撰寫此書時(shí)所提供的巨大支持。他的專業(yè)支持對我過去和現(xiàn)在的許多書都起著重要的作用。
最后，感謝Lata Aggarwal用微軟PowerPoint軟件幫我繪制了一些圖片。