編者按：随着科學技術的飛速發展，數據資源呈現海量化、多元化的特征，但人們的生活也面臨着信息冗餘和過載的問題。如何在網購時挑選到心儀的商品？如何在出行中找到吃喝玩樂的推薦？如何在紛繁的資訊中找到感興趣的内容…… 在大數據時代，人們日常的工作休閑都離不開推薦系統（Recommender Systems）的助力。

為了幫助大家更好地了解、學習推薦系統領域的相關知識，我們邀請了微軟亞洲研究院的研究員們推薦了該領域的五本“必讀”書籍，其中既有推薦系統的概念、經典算法等基礎知識，也包括了推薦系統在不同領域的具體應用，希望能夠對大家在深度學習時代的推薦系統研究和實踐帶來啟發。

01

Recommender Systems: An introduction

中文版：《推薦系統》

作者：Diermar Jannach, Markus Zanker, Alexander Felfernig, Gerhard Friedrich

主要内容：本書比較全面地介紹了推薦系統涉及的相關知識點，呈現了許多經典算法，并讨論了如何衡量推薦系統的有效性。書中内容分為基本概念和最新進展兩部分：前者涉及協同推薦、基于内容的推薦、基于知識的推薦、混合推薦方法、推薦系統的解釋、評估推薦系統和實例分析；後者包括針對推薦系統的攻擊、在線消費決策、推薦系統和下一代互聯網以及普适環境中的推薦。

推薦理由：本書内容詳盡，廣泛涵蓋了不同類型的推薦系統，并對這些推薦系統逐一進行了細緻地剖析，并輔以實際應用案例的介紹，适合想要了解推薦系統的基礎和相關研究的讀者作為推薦系統的入門書籍。書中包含了大量的圖表以及示例，有助于讀者理解和把握相關知識。

02

Recommender Systems: The Textbook

中文版：《推薦系統：原理與實踐》

作者：Charu C. Aggarwal

主要内容：本書詳盡地介紹了推薦系統的各個方面，内容大緻分為三個部分：1）“算法和評估”部分探讨了推薦系統中的基礎算法，包括協同過濾的方法、基于内容的方法、基于知識的方法、集成方法以及推薦系統的評估方法；2）“特定領域和上下文的推薦系統”部分介紹了在如時間空間數據、社交數據、标簽數據以及信用度數據等不同的上下文場景數據中如何進行推薦；3）“高級的主題和應用”部分介紹了和推薦系統的魯棒性相關的内容，如先令系統、攻擊模型以及相應的防禦模型。

推薦理由：這是一本非常優秀的教科書，它不僅用簡明的語言闡述了推薦系統的基礎，深入介紹了核心算法以及數學論證，還為讀者提供了第三方工具或框架使用時需要查詢的大量資料。本書對于推薦系統的基礎、具體應用和相關文獻進行了全面介紹，既适合研究人員作為推薦系統的入門書籍，又适合工業從業人員作為工具參考書。

03

Recommender System Handbook

中文版：《推薦系統：技術、評估及高效算法》

作者：Francesco Ricci, Lior Rokach, Bracha Shapira Editors

主要内容：該書從兩個角度介紹了推薦系統技術：1）基礎推薦算法；2）推薦系統評估和應用。在基礎推薦技術方面，該書對于推薦系統發展早期的各種經典算法做了深入的總結和分析，包括基于内容的推薦、基于最近鄰的協同過濾和矩陣分解等。推薦系統評估和應用方面，該書探讨了推薦算法評估常用的方法和準則，介紹了推薦系統落地過程中可能遇到的挑戰。

推薦理由：這是一本推薦系統領域的經典書籍。該書篇幅較長，每個章節都邀請了知名學者參與撰寫，其中介紹的經典方法和問題，對于深度學習時代的推薦系統研究和實踐都非常有啟發。該書出版于2011年，第3版在今年出版，非常适合研究人員和工程人員在實際的研究和工作中作為技術參考手冊。

04

《推薦系統實踐》

作者：項亮

主要内容：這是項亮博士将他博士期間在推薦系統上的研究和經驗總結整理成的偏應用的書籍，出版于2012年。本書結合具體的應用場景，簡明扼要地介紹了推薦系統的基本組成部分，以及如何靈活利用不同的内容數據，例如用戶标簽、社交網絡、上下文信息等，幫助改進推薦模型。書中覆蓋到的算法以協同過濾、内容過濾和圖算法為主。每個章節均有簡單的算法代碼示例和數據結果分析。

推薦理由：這本書最大的特色是從實際應用的角度出發，系統性地介紹推薦系統的多個方面，包括典型的應用場景、基礎的算法模型、重要的輔助信息、評價指标，以及推薦引擎的架構。，初學者通過該書能在最短的時間内了解推薦系統的基礎知識，同時總覽搭建一個推薦系統所需要的基本模塊。

05

《推薦系統：前沿與實踐》

作者：李東勝，練建勳，張樂，任侃等

主要内容：本書以一線研發人員的視角和經驗，從原理與實踐兩個角度為讀者剖析推薦系統。該書首先從原理上介紹了各類經典推薦算法及前沿的深度學習推薦算法，涵蓋深度協同過濾、特征交互、基于圖神經網絡的推薦、序列與會話推薦、結合知識圖譜的推薦和基于強化學習的推薦等重要技術，然後探讨了推薦算法研究在對話、因果、常識等方面的前沿話題。書中還分析了推薦系統在數據融合、系統擴展、性能評估等方面的關鍵挑戰，并就如何設計負責任的推薦系統進行了探讨。最後，該書結合微軟的開源項目 Microsoft Recommenders 介紹了推薦系統的實踐經驗。

推薦理由：近年來，推薦系統與深度學習的結合得到了工業界和學術界的普遍認可，然而相關書籍尚未普遍涉及這些前沿技術和實踐經驗。本書作者李東勝、練建勳、張樂、任侃、盧暾、邬濤、謝幸都長期活躍在推薦系統研發一線，在推薦系統領域的權威會議和期刊上發表過數百篇有影響力的學術論文，并主持開發過包括 Microsoft Recommenders 在内的多個推薦系統項目。讀者可以基于本書深入學習最前沿的推薦算法設計原理和實踐方式，并可以基于書中的源代碼從零開始快速搭建一個準确、高效的推薦系統。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!