第一章概述
推荐系统（RS）是向用户建议有用物品的软件工具和技术
1.1简介
“物品”是用来表示系统向用户推荐内容的总称。一个推荐系统通常专注于一个特定类型的物品（如CD或新闻），因此它的设计、图形用户界面以及用于生成建议的核心的推荐技术都是为特定类型的物品提供有用和有效的建议而定制的。
推荐系统主要针对的是那些缺乏足够的个人经验和能力的人，它们无法评估潜在的大量可供选择的物品。
个性化的推荐最简单的形式是提供一个排好序的物品列表。通过这个排序列表，推荐系统试图根据用户的偏好和其他约束条件来预测最合适的产品或服务。
推荐系统被证明是一种解决信息过载问题的有效工具，可选择是好的，但是太多的选择就不是很好了。
1.2推荐系统的功能
推荐系统被定义为软件工具和技术，这些工具和技术用于为用户提供物品建议信息，而这些推荐信息用户或许会利用
推荐系统的一般作用：
1.增加物品销售数量
2.出售更多种类的物品
3.增加用户满意度
4.增加用户忠诚度
5.更好地了解用户需求
推荐系统能够实现的11个常见的功能：
1.发现一些好的物品
2.发现所有好的物品
3.产品注解：在给定的上下文语境中，我们根据用户的长期偏好来确定这些物品的重要性
4.推荐系列产品
5.搭配推荐
6.闲逛：在这项任务中，用户只是简单地浏览目录而不带有强烈地购买意图。推荐系统的任务是帮助用户浏览一些其在特定浏览时期可能会感兴趣的物品
7.发现可信的推荐系统：有些用户不信任推荐系统，于是它们抱着试试看的态度去尝试推荐系统的推荐结果。
8.完善用户信息
9.自我表达：一些用户可能不在意给出的推荐结果，相反它们重要的是系统允许他们展示它们的评分。
10.帮助他人：有些用户乐于贡献信息，如它们对物品的评价（评分）
11.影响他人：在基于Web的推荐系统中，某些用户的主要目标是对其他购买特定产品的用户产生明显的影响
1.3数据和知识资源
推荐系统是信息处理系统，为了实现推荐，该系统会积极收集各种数据。数据主要是关于推荐的物品和收到这些推荐结果的用户，但是由于推荐系统获得的数据和知识来源可能区别很大，它们最终是否可以被利用取决于推荐技术。
推荐系统使用的数据一般指的是三种对象：物品、用户和事务，也就是用户和物品的关系
物品。物品是被推荐的对象集。物品具有复杂性和有价值或效用的特点。如果物品对于用户是有用的，那么物品的作用就是积极的；否则如果物品对于用户不适合，那物品的作用就是消极的，从而导致用户在选择时做出错误决定。我们注意到，当一个用户需要获得一个物品时，他总会付出代价，其中包括搜索物品的认知代价和最终为物品支付的费用。物品集可以用各种信息和表述方法来表示。
用户。正如前面提到的那样，推荐系统的用户可能有非常不同的目的和特点。为了使推荐结果和人机交互个性化，推荐系统使用用户的一系列信息。这种信息可以用不同的方式组织，而且同样的是，选择哪种信息建模取决于推荐系统
事务。我们一般将一个事务看作用户和推荐系统进行交互的一条记录，人机交互过程中产生的这种类似日志的数据存储着重要的信息，并且这些数据对系统中推荐生成算法是有用的。
实际上评分是推荐系统收集交易数据最流行的方式。这些评分可能是用显式或者隐式的方式收集的。收集显式评分时，用户需要在某个评级尺度内给出自己对物品的看法。评级可以采用各种方式：
1.数字评级
2.序数评级
3.二元制评级：仅需确认好或不好
4.一元制评级：用来表示用户已经看到或买了一个物品，或由此对物品进行明确的评价。在这种情况下，评分值得缺失意味着关联用户和物品得信息是未知的
另一种评价的形式就是关联用户和物品的标签。
从事务中隐式收集用户评级，系统的目标是根据用户的行为推断用户的意图。
在会话系统中，即支持交互过程的系统中，交易模型更加精确。在这些系统中，用户请求和系统行为交替出现。更确切地说，用户请求一个推荐，系统就产生一个推荐列表。但是系统仍然需要额外的用户偏好信息，以期产生更好的结果。在这个交易模型中，系统收集各种请求——响应信息，并且最终通过观察推荐过程的结果来修改系统的交互策略。
1.4推荐技术
为了实现上述目的，系统必须能够预测一些物品的效用性，或者至少对物品的效用性作比较，然后根据比较决定该推荐的物品。虽然推荐算法中对预测这一步描述不是很明确，但是我们仍然可以使用统一的模型来描述推荐系统的一般作用。
六种不同的推荐方法：
1.基于内容：系统为用户推荐与他们过去的兴趣类似的物品。物品间的相似性是基于被比较的物品的特征来计算的
2.协同过滤：这种方法是找到与用户有相同品味的用户，然后将相似用户过去喜欢的物品推荐给用户。
3.基于人口统计学的：这种类型的推荐系统推荐物品时是基于人口统计信息的。我们假设不同的人群信息应该产生不同的推荐。许多网站采用基于人口统计学的简单而有效的个性化解决方案。
4.基于知识：基于知识的系统根据特定的领域知识推荐物品，这些知识是关于如何确定物品的哪些特征能够满足用户需求和偏好，以及最终如何确定物品对用户有用。
5.基于社区：这种推荐方法依赖用户朋友的偏好。这种技术有个业界流行的表述“告诉我你的朋友是谁，我将知道你是谁”。这种推荐系统获取用户的社会关系和用户朋友的偏好等信息并以此进行建模。
6.混合推荐系统：这类推荐系统综合了上面提到的技术。混合推荐就是综合A和B的方法，利用A的优势弥补B的不足。