第1章 引言
在本书中，将会重点讨论个性化推荐。
1.1 第一部分：基本概念
1.1.1 协同过滤推荐
这些系统的基本思想是，如果用户在过去有相同的偏好（比如他们浏览或买过相同的书），那么他们在未来也会有相似的偏好。由于选择可能感兴趣的书涉及从大量集合中过滤出最有希望的书，而且用户是在隐式地与其他人相互协作，因此这种技术也被称为协同过滤。
协同方法常见问题：
1、如何发现与我们要推荐的用户有着相似偏好的用户？
2、如何衡量相似度？
3、如何处理还没有购买经历的新用户？
4、如果只有很少的评分该怎么办？
5、除了利用相似的用户之外，还有哪些技术可以用来预测某个用户是否喜欢其物品？
优点：系统不需要获取并维护这些数据。
1.1.2 基于内容的推荐
基于内容推荐的核心是能够得到物品的描述（不管是人工生成还是自动抽取的）和这些特征的重要记录。
在基于内容的推荐中，必须回答如下问题：
1、系统如何自动获取并持续改进用户记录？
2、如何决定哪个物品匹配或者至少能接近、符合用户的兴趣？
3、什么技术能自动抽取或学习物品的描述，从减少人工标注？
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刻推荐新物品。
1.1.3 基于知识的推荐
在基于知识的方法中，推荐系统通常会用到有关当前用户和有效物品的额外信息（这些信息一般都是人工提供的）。
基于知识的推荐系统要解决的问题如下：
1、那种领域知识能表示成知识库？
2、什么机制可根据用户的特点来选择和排名物品？
3、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？
4、哪种交互方式能够用于交互式推荐系统？
5、设计对话时，要考虑哪些个性化因素才能确保准确获得用户偏好信息？
1.1.4 混合推荐方法
在推荐系统中混合使用不同方法时必须回答以下问题：
1、哪种方法能被组合，特定组合的前提是什么？
2、两个或多个推荐算法是应该顺序计算，还是采用其他混合方式？
3、不同方法的结果如何赋以权重，可以动态决定吗？
1.1.5推荐系统的解释
解决问题：
1、推荐系统在解释其推荐结果的同时如何提高用户对系统的信任度？
2、推荐策略如何影响解释推荐的方式？
3、能通过解释让用户相信系统给出的建议是”公正的“或者不偏颇的吗？
1.1.6评估推荐系统
问题：如何实际衡量推荐系统所给出建议的质量？
哪些研究设计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？
什么衡量标准适合不同的评估目标？
现有评估技术的局限是什么？
1.1.7案例研究
目的是为了解决以下问题：
1、推荐系统的商业价值是什么？
2、它能帮助提高销售额或将更多访问者转化为购买者吗？
3、不同推荐算法在效果上有差别吗？在哪种情况下应该使用哪种技术？
1.2 第二部分：最新进展
涉及的问题如下：
1、隐私和鲁棒性
2、在线消费决策
3、社交和语义网背景下的推荐系统
4、无处不在的应用