·源于作者在加利福尼亚大学圣迭戈分校讲授的“推荐系统”和“网络挖掘”课程，在线提供代码示例和数据集，适合第一次接触机器学习相关课程的读者。 ·涵盖从电子商务到健康领域的一系列案例研究，专注于在大型的真实数据集上构建示例，提高读者为不同应用设计模型和系统的能力。 ·快速构建可行的解决方案，并涵盖广泛的方法，而不是过于深入研究某一种方法背后的理论知识，帮助读者了解构建系统时的实际考虑因素。
朱利安·麦考利（Julian McAuley）加州大学圣地亚哥分校教授。他的主要研究领域是个性化机器学习，其应用范围从个性化推荐到对话、医疗保健和时装设计。他与亚马逊、Facebook、微软、Salesforce和Etsy等公司有广泛的合作，并曾获得众多奖项，包括美国国家科学基金会职业奖，以及亚马逊、Salesforce、Facebook和高通等公司的教师奖。
本书主要介绍支持各种设置和模态的个性化预测模型设计的通用原理和方法。首先修订“传统”机器学习模型，重点关注如何使它们适应涉及用户数据的设置，然后介绍基于矩阵分解、深度学习和生成式建模等高级原理的技术，zui后详细研究部署个性化预测系统的影响和风险。
译者序前言常用数学符号常用缩写第1章 引言11.1 本书写作目的11.2 对于学习者：涵盖的内容和未涵盖的内容21.3 对于讲师：课程和内容大纲31.4 在线资源41.5 关于作者51.6 日常生活中的个性化51.6.1 推荐51.6.2 个性化健康61.6.3 计算社会科学61.6.4 语言生成、个性化对话和交互式代理71.7 个性化技术71.7.1 作为流形的用户表示71.7.2 上下文个性化和基于模型的个性化81.8 个性化的伦理和影响8第一部分 机器学习入门第2章 回归和特征工程122.1 线性回归132.2 评估回归模型162.2.1 均方误差162.2.2 为什么是均方误差172.2.3 模型参数的极大似然估计182.2.4 决定系数R2192.2.5 如果误差不是正态分布该怎么办202.3 特征工程212.3.1 简单特征变换212.3.2 二元特征和分类特征：独热编码222.3.3 缺失特征242.3.4 时序特征252.3.5 输出变量的转换262.4 解释线性模型参数272.5 梯度下降拟合模型282.6 非线性回归29习题30项目1：出租车小费预测（第1部分）31第3章 分类和学习流程323.1 对数几率回归323.1.1 拟合对数几率回归器343.1.2 小结343.2 其他分类技术343.3 评估分类模型353.3.1 分类的平衡度量363.3.2 优化平衡错误率373.3.3 使用和评估用于排名的分类器383.4 学习流程413.4.1 泛化、过拟合和欠拟合413.4.2 模型复杂度和正则化433.4.3 模型流程准则463.4.4 使用TensorFlow的回归和分类473.5 实现学习流程48习题51项目2：出租车小费预测（第2部分）52第二部分 个性化机器学习的 基础知识第4章 推荐系统简介544.1 基本设置和问题定义544.2 交互数据的表示564.3 基于记忆的推荐方法574.3.1 定义相似度函数574.3.2 杰卡德相似度584.3.3 余弦相似度604.3.4 皮尔逊相似度624.3.5 使用相似度测量方法进行评分预测644.4 随机游走方法654.5 案例研究：Amazon.com的推荐67习题68项目3：针对书籍的推荐系统（第1部分）69第5章 基于模型的推荐方法705.1 矩阵分解715.1.1 拟合潜在因子模型735.1.2 用户特征或物品特征发生了什么变化755.2 隐式反馈和排序模型765.2.1 样本重加权方案765.2.2 贝叶斯个性化排序775.3 基于“无用户”模型的方法795.3.1 稀疏线性方法805.3.2 分解的物品相似度模型815.3.3 其他无用户方法815.4 评估推荐系统825.4.1 精确率@K和召回率@K835.4.2 平均倒数排名835.4.3 累积增益和NDCG845.4.4 模型准确率之外的评估指标845.5 用于推荐的深度学习845.5.1 为什么是内积845.5.2 基于多层感知机的推荐855.5.3 基于自编码器的推荐875.5.4 卷积和循环网络885.5.5 基于深度学习的推荐器能多有效885.6 检索895.7 在线更新905.8 Python中带有Surprise库和Implicit库的推荐系统905.8.1 潜在因子模型915.8.2 贝叶斯个性化排序915.8.3 在TensorFlow中实现潜在因子模型925.8.4 TensorFlow中的贝叶斯个性化排序925.8.5 基于批处理的高效优化935.9 超越推荐的“黑箱”观点945.10 历史和新兴方向94习题95项目4：针对书籍的推荐系统（第2部分）96第6章 推荐系统中的内容和结构976.1 分解机986.1.1 神经因子分解机996.1.2 在Python中使用FastFM的分解机996.2 冷启动推荐1006.2.1 用边信息解决冷启动问题1016.2.2 通过问卷解决冷启动问题1016.3 多边推荐1026.3.1 在线交友1026.3.2 易货平台1036.4 群体感知推荐和社交感知推荐1046.4.1 社交感知推荐1046.4.2 社交贝叶斯个性化排序1066.4.3 群体感知推荐1076.4.4 群体贝叶斯个性化排序1086.5 推荐系统中的价格动态1096.5.1 分离价格和偏好1096.5.2 在会话中估计愿意支付的价格1106.5.3 价格敏感性和价格弹性1116.6 推荐中的其他上下文特征1126.6.1 音乐和音频1126.6.2 基于位置的网络中的推荐1136.6.3 时序、文本和视觉特征1146.7 在线广告1146.7.1 匹配问题1156.7.2 AdWords115习题117项目5：Amazon上的冷启动推荐118第7章 时序和序列模型1197.1 时间序列回归简介1197.2 推荐系统中的时序动态1217.2.1 时序推荐方法1227.2.2 案例研究：时序推荐和Netflix竞赛1237.2.3 关于时序模型Netflix能教会我们什么1267.3 时序动态的其他方法1267.3.1 意见的长期动态1277.3.2 短期动态和基于会话的推荐1277.3.3 用户层面的时间演变1287.4 个性化马尔可夫链1297.5 案例研究：用于推荐的马尔可夫链模型1307.5.1 分解的个性化马尔可夫链1307.5.2 社交感知的序列推荐1317.5.3 基于局部性的序列推荐1327.5.4 基于平移的推荐1337.5.5 TensorFlow实现FPMC1347.6 循环网络1357.7 基于神经网络的序列推荐1377.7.1 基于循环网络的推荐1397.7.2 注意力机制1397.7.3 小结1407.8 案例研究：个性化心率建模1417.9 个性化时序模型的历史142习题142项目6：商业评论中的时序和序列动态143第三部分 个性化机器学习的 新兴方向第8章 文本个性化模型1468.1 文本建模基础：词袋模型1468.1.1 情感分析1468.1.2 N_gram1498.1.3 词相关性和文档相似度1518.1.4 使用tf_idf进行搜索和检索1538.2 分布式词和物品表示1538.2.1 item2vec1558.2.2 使用Gensim实现word2vec和item2vec1558.3 个性化情感和推荐1568.4 个性化文本生成1588.4.1 基于RNN的评论生成1608.4.2 案例研究：个性化食谱生成1618.4.3 基于文本的解释和证明1628.4.4 对话式推荐1638.5 案例研究：Google Smart Reply165习题166项目7：个性化文档检索167第9章 视觉数据个性化模型1689.1 个性化图像搜索和检索1689.2 视觉感知推荐和个性化排序1699.3 案例研究：视觉和时尚兼容性1719.3.1 从共同购买中估计兼容性1719.3.2 在开放场景的图像中学习兼容性1739.3.3 生成时尚衣柜1749.3.4 时尚之外的领域1759.3.5 可替代和互补产品推荐的其他技术1759.3.6 在TensorFlow中实现兼容模型1779.4 图像的个性化生成模型178习题179项目8：生成兼容的服装搭配180第10章 个性化机器学习的影响18210.1 度量多样性18310.2 过滤气泡、多样性和极端化18410.2.1 通过模拟探索多样性18410.2.2 实证度量推荐多样性18510.2.3 审核极端内容的途径18510.3 多样化技术18610.3.1 最大边缘相关18610.3.2 多样化推荐的其他重排序方法18710.3.3 行列式点过程18710.4 实现一个多样化推荐器18910.5 关于推荐和消费多样性的案例研究19110.5.1 Spotify上的多样性19110.5.2 过滤气泡和在线新闻消费19210.6 准确率之外的其他指标19410.6.1 惊喜度19410.6.2 意外度19510.6.3 校准19610.7 公平性19710.7.1 多方面公平性19810.7.2 在TensorFlow中实现公平性目标19910.8 关于推荐中性别偏置的案例研究20010.8.1 数据重采样和流行度偏置20010.8.2 书籍推荐中的偏置和作者性别20110.8.3 营销中的性别偏置201习题202项目9：多样性和公平推荐203参考文献204
