《推荐系统》读后感10篇

　　《推荐系统》是一本由[奥地利] Dietmar Jannach / Markus Z著作，人民邮电出版社出版的平装图书，本书定价：59.00元，页数：244，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。

　　《推荐系统》读后感(一)：推荐

　　《推荐系统》读后感(二)：个性化推荐系统来了

　　随着电子商务逐渐发展壮大，B2C的网站更是层出不穷，推荐系统越来越受到网络企业的重视。分析推荐系统日益流行的原因，总的来说有以下几个方面：

　　1、信息过剩和知识稀缺

　　Internet的迅速发展，为信息量的惊人膨胀提供了的土壤。大量的有用信息虽然为人们提供了更多的价值，然而信息的泛滥也意味着为了寻找合适的信息必须付出更大的成本。事实上，调查发现仅仅通过浏览和简单的查询来寻找有用的信息变得相当困难，在某种程度上过量的信息意味着信息缺乏，因此就需要某种工具来迅速找到所需要的信息来辅助决策，防止顾客迷失。

　　2、大规模定制

　　顾客对于产品和服务的要求越来越高，老福特的“黑色就是所有的颜色”早已不再适用，顾客更加期望能够得到个性化和多样化的产品和服务；另一方面，利用信息技术的发展来满足顾客的期望，大规模制造逐渐被大规模定制代替。推荐系统可以利用信息技术带来的便利，针对顾客的情况提供合适的建议，日益受到企业的关注。

　　3、电子商务的发展

　　电子商务的发展进一步促进了推荐系统的应用。当网上交易非常流行时，一些研究人员提出了1对1营销的理念。1对1营销非常关注顾客的忠诚度，试图通过利用信息技术的优势为顾客提供不同的服务。推荐系统为顾客提供量身定做的服务。事实上，许多网络公司正在试图利用电子推荐系统提高顾客的满意度和忠诚度，如Amazon网上书店用Net Perception公司的配书（book matcher）软件，根据顾客表达的偏好和以前的选择方式，为顾客提供种种推荐用书。

　　当推荐系统发展到一定阶段，每个用户在浏览电子商务网站时也许都有是该网站唯一用户的感觉。剔除了不感兴趣、不相干的广告等内容，映入眼帘的全是自己感兴趣的、极想得到的商品。这一天，也许很快就会到来！

　　因为推荐系统已从实验室中走出。除了众多的B2C网站外， Google等搜索引擎也在努力开发个性化搜索引擎，以根据用户以前搜索的内容推测用户的喜好，从而能为用户提供更准确的搜索结果。在网络交易量不断增长的时代，已经出现了很多实用的电子商务推荐系统。其中非常著名的Amazon推荐系统，它能够利用顾客期望的产品单、购物车、顾客提交的评价以及购买记录等，为顾客推荐适合的产品，提供多项推荐服务，如Customers who Bought、Eyes、Book Matcher和Customer Comments等。Net Perceptions公司则提供基于GroupLens技术的推荐系统。国内的京东商城、当当书店、新风雨和China-pub也提供书评和等级评分等多种推荐方式，为网站增加了许多吸引力。

　　那么何为个性化推荐系统呢？

　　个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。

　　个性化推荐系统的发展历史：

　　1995年3月，卡耐基.梅隆大学的RobertArmstrong等人在美国人工智能协会上提出了个性化导航系统Web Watcher；斯坦福大学的MarkoBalabanovic等人在同一会议上推出了个性化推荐系统LIRA；

　　1995年8月，麻省理工学院的Henry Lieberman在国际人工智能联合大会（IJCAI）上提出了个性化导航智能体Letizia；

　　1996年， Yahoo 推出了个性化入口My Yahoo；

　　1997年，AT&T实验室提出了基于协作过滤的个性化推荐系统PHOAKS和Referral Web;

　　1999年，德国Dresden技术大学的Tanja Joerding实现了个性化电子商务原型系统TELLIM；

　　2000年，NEC研究院的Kurt等人为搜索引擎CiteSeer增加了个性化推荐功能；

　　2001年，纽约大学的Gediminas Adoavicius和Alexander Tuzhilin实现了个性化电子商务网站的用户建模系统1：1Pro；

　　2001年，IBM公司在其电子商务平台Websphere中增加了个性化功能，以便商家开发个性化电子商务网站。

　　2003年，Google开创了AdWards盈利模式，通过用户搜索的关键词来提供相关的广告。AdWords的点击率很高，是Google广告收入的主要来源。2007年3月开始，Google为AdWords添加了个性化元素。不仅仅关注单次搜索的关键词，而是对用户一段时间内的搜索历史进行记录和分析，据此了解用户的喜好和需求，更为精确地呈现相关的广告内容。

　　2007年，雅虎推出了SmartAds广告方案。雅虎掌握了海量的用户信息，如用户的性别、年龄、收入水平、地理位置以及生活方式等，再加上对用户搜索、浏览行为的记录，使得雅虎可以为用户呈现个性化的横幅广告。

　　2009年，Overstock（美国著名的网上零售商）开始运用ChoiceStream公司制作的个性化横幅广告方案，在一些高流量的网站上投放产品广告。 Overstock在运行这项个性化横幅广告的初期就取得了惊人的成果，公司称：“广告的点击率是以前的两倍，伴随而来的销售增长也高达20%至30%。”

　　2011年9月，百度世界大会2011上，李彦宏将推荐引擎与云计算、搜索引擎并列为未来互联网重要战略规划以及发展方向。百度新首页将逐步实现个性化，智能地推荐出用户喜欢的网站和经常使用的APP。

　　主要方法：(《推荐系统》图书里讲解细致)

　　协同过滤推荐 （可试读）

　　基于内容的推荐

　　基于知识的推荐

　　混合推荐方法

　　想要了解更多关于个性化推荐系统的内容、方法、案例以及最新进展等，《推荐系统》不能错过！它是你踏上个性化推荐系统的基石，是有助于你掌握和正确运用推荐系统的最佳图书。

　　《推荐系统》读后感(三)：阅读记录

　　书非常赞，5★。

　　以下觉得不妥的地方，英文中也是存在的。

　　这里不是粪坑，意见不合可以讨论，不要搞人身攻击，谢谢。

　　==============第二章：协同过滤推荐===================

　　error1：------------------------------------------------------------

　　18，表2-5上一行——

　　“只保留U和V^T的前两列作为...”应该改为“只保留U和V的前两列作为...”

　　看了下英文版也是错误的。

　　如果U = [u1 u2 ...]列向量形式 V = [v1 v2 ...]列向量形式 Σ = diag(s1 s2 ...) si为数值

　　那么 M = s1*u1*v1^T + s2*u2*v2^T + ....

　　^T:转置

　　注：以上错误 作者/译者 已确认

　　疑似error:-------------------------------------------------------------

　　23，倒数3-2行

　　“P(物品5=1)比其他概率都要高，这说明Alice最有...”

　　既然在谈Bayesian拿着先验概率P(物品5=1)做判断，什么意思？

　　个人觉得应该改为：P(物品5=1|X)这个后验概率。