推薦系統──

採集使用者歷史行為資訊並結合具體推薦，

幫助使用者選擇商品以及提供建議的過程。

什麼是協同過濾推薦算法？

協同過濾推薦算法是利用使用者與項目評分矩陣中的已知元素來預測未知元素的評分值並將預測評分高的項目推薦給使用者。

什麼是使用者興趣漂移？

由於傳統的協同過濾算法忽略了隨著時間變化而使用者的興趣也在不斷發生變化這一問題，即存在使用者興趣漂移現象。

什麼是巴氏係數？

是對兩個統計樣本的重疊的近似計算，可用來對兩組樣本的相關性進行測量，已廣泛應用於訊號處理、模式識別研究領域。

▎第一篇（第1章）

討論了推薦算法的分類、各類算法的基本思想和改進策略，闡述推薦算法存在的問題、實驗方法和評測指標。

▎第二篇（第2章和第3章）

本篇針對基於時序的協同過濾推薦算法展開研究。

▎第三篇（第4章至第11章）

針對SVD、機率矩陣分解、非負矩陣分解及其與相關算法的整合提出理論。

▎第四篇（第12章和第13章）

圍繞協同過濾推薦算法與社群網路的信任展開研究，將使用者的評分資訊和使用者的社群網路資訊融入傳統的矩陣分解中以提高推薦品質。

▎第五篇（第14章）

從實際應用的角度用Spark實現一個基於矩陣分解的推薦原型系統。

本書特色：本書內容豐富，較全面地介紹了基於協同過濾的推薦系統存在的問題、解決方法和評估策略，可供從事推薦系統、人工智慧、機器學習、模式識別和資訊檢索等領域的科學研究人員及研究生參考。