随着信息技术和互联网的发展,人们逐渐从信息匮乏的时代走入了信息过载(information overload)的时代 。在这个时代,无论是信息消费者还是信息生产者都遇到了很大的挑战:对于信息消费者,从大量信息中找到自己感兴趣的信息是一件非常困难的事情;对于信息生产者,让自己生产的信息脱颖而出,受到广大用户的关注,也是一件非常困难的事情。**系统就是解决这一矛盾的重要工具。**系统的任务就是联系用户和信息,一方面帮助用户发现对自己有价值的信息,另一方面让信息能够展现在对它感兴趣的用户面前,从而实现信息消费者和信息生产者的双赢。 **系统实践_项亮_人民邮电出版社_

序一
**在今天互联网的产品和应用中被广泛采用,包括今天大家经常使用的相关搜索、话题**、电子商务的各种产品**、社交网络上的交友**等。但是,至今还没有一本书从理论上对它进行系统地分析和论述。《**系统实践》这本书恰恰弥补了这个空白。
该书总结了当今互联网主要领域、主要公司、各种和**有关的产品和服务,包括:
亚马逊的个性化产品**;
Netflix的视频和DVD**;
Pandora的音乐**;
Facebook的好友**;
Google Reader的个性化阅读;
各种个性化广告。
书的名称虽然是《**系统实践》,但作者也阐述了和**系统有关的理论基础和评价**系统优劣的各种标准与方法,比如覆盖率、满意度、AB测试等。由于这些评估很大程度上取决于对用户行为的分析,因此本书也介绍了用户行为分析方法,并且给出了计算机实现的算法。
本书对有兴趣自己开发**系统的读者给出了设计和实现**系统的方法与技巧,非常具有指导意义。
本书文笔流畅,可读性较高,是一部值得**给IT从业人员的**参考书。

——吴军
腾讯副总裁,谷歌**研究员,《数学之美》和《浪潮之巅》作者

第1章 好的**系统
1.1 什么是**系统
1.2 个性化**系统的应用
1.2.1 电子商务
1.2.2 电影和视频网站
1.2.3 个性化音乐网络电台
1.2.4 社交网络
1.2.5 个性化阅读
1.2.6 基于位置的服务
1.2.7 个性化邮件
1.2.8 个性化广告
1.3 **系统评测
1.3.1 **系统实验方法
1.3.2 评测指标
1.3.3 评测维度
第2章 利用用户行为数据
2.1 用户行为数据简介
2.2 用户行为分析
2.2.1 用户活跃度和物品流行度的分布
2.2.2 用户活跃度和物品流行度的关系
2.3 实验设计和算法评测
2.3.1 数据集
2.3.2 实验设计
2.3.3 评测指标
2.4 基于邻域的算法
2.4.1 基于用户的协同过滤算法
2.4.2 基于物品的协同过滤算法
2.4.3 UserCF和ItemCF的综合比较
2.5 隐语义模型
2.5.1 基础算法
2.5.2 基于LFM的实际系统的例子
2.5.3 LFM和基于邻域的方法的比较
2.6 基于图的模型
2.6.1 用户行为数据的二分图表示
2.6.2 基于图的**算法
第3章 **系统冷启动问题
3.1 冷启动问题简介
3.2 利用用户注册信息
3.3 选择合适的物品启动用户的兴趣
3.4 利用物品的内容信息
3.5 发挥专家的作用
第4章 利用用户标签数据
4.1 UGC标签系统的代表应用
4.1.1 Delicious
4.1.2 CiteULike
4.1.3 Last.fm
4.1.4 豆瓣
4.1.5 Hulu
4.2 标签系统中的**问题
4.2.1 用户为什么进行标注
4.2.2 用户如何打标签
4.2.3 用户打什么样的标签
4.3 基于标签的**系统
4.3.1 实验设置
4.3.2 一个*简单的算法
4.3.3 算法的改进
4.3.4 基于图的**算法
4.3.5 基于标签的**解释
4.4 给用户**标签
4.4.1 为什么要给用户**标签
4.4.2 如何给用户**标签
4.4.3 实验设置
4.4.4 基于图的标签**算法
4.5 扩展阅读
第5章 利用上下文信息
5.1 时间上下文信息
5.1.1 时间效应简介
5.1.2 时间效应举例
5.1.3 系统时间特性的分析
5.1.4 **系统的实时性
5.1.5 **算法的时间多样性
5.1.6 时间上下文**算法
5.1.7 时间段图模型
5.1.8 离线实验
5.2 地点上下文信息
5.3 扩展阅读
第6章 利用社交网络数据
6.1 获取社交网络数据的途径
6.1.1 电子邮件
6.1.2 用户注册信息
6.1.3 用户的位置数据
6.1.4 论坛和讨论组
6.1.5 即时聊天工具
6.1.6 社交网站
6.2 社交网络数据简介
6.3 基于社交网络的**
6.3.1 基于邻域的社会化**算法
6.3.2 基于图的社会化**算法
6.3.3 实际系统中的社会化**算法
6.3.4 社会化**系统和协同过滤**系统
6.3.5 信息流**
6.4 给用户**好友
6.4.1 基于内容的匹配
6.4.2 基于共同兴趣的好友**
6.4.3 基于社交网络图的好友**
6.4.4 基于用户调查的好友**算法对比
6.5 扩展阅读
第7章 **系统实例
7.1 外围架构
7.2 **系统架构
7.3 **引擎的架构
7.3.1 生成用户特征向量
7.3.2 特征?物品相关**
7.3.3 过滤模块
7.3.4 排名模块
7.4 扩展阅读
第8章 评分预测问题
8.1 离线实验方法
8.2 评分预测算法
8.2.1 平均值
8.2.2 基于邻域的方法
8.2.3 隐语义模型与矩阵分解模型
8.2.4 加入时间信息
8.2.5 模型融合
8.2.6 Netflix Prize的相关实验结果
后记