《推荐系统实践》是目前国内普及个性化推荐技术的最好的介绍书籍了，有中科大博士、在Hulu工作的项亮所著。想当年，亚马逊的贝索斯的豪言：“如果我有一百万的用户，我就会做一百万个不同的网站！”。大家惊诧之余，他做到了。利用用户的浏览、购买行为，依靠强大的亚马逊后台推荐引擎，通过亚马逊网站、App和邮件等前台页面，将相关的新商品组合推送给用户，猜测用户想要的、预测用户将要购买的，最终实现电子商务的霸主！这本书就很好的讲解了背后的亚马逊如何通过个性化推荐系统帮助其成为业界翘楚的IT公司的。
广义上的推荐系统大量应用于生活各个方面，由于个人的从众心理，我们总是会听从父母、朋友、杂志编辑、网站运营人员的建议，通过其口中、封面、首页明显位置进入，以实现交易动作、购买决策。可以说这类推荐系统占据了目前我们生活的70%以上。但大家都知道，千篇一律的推荐并不能满足每个人的口味，造成了几个明星商品的热销，却也带来大量潜在商品的浪费囤积，更重要的是消费者的潜在购物需求没有得到释放和满足。在物质充分发达的今天，面对每个品类下千千万万的商品，人们陷入了选择恐惧症、选择无聊症。就像每年国庆旅游，全国好歹也有几万个景点，人群总是砸向黄山、九寨沟、长城那几个热门景点，而那些向我老家池州九华山、江西的小孤山等其他比较热门景点鲜有爆棚见于报端，还有更多的宅在家里看拥堵的笑话，全国旅游的推荐系统根本就没有效满足、释放消费需求。
这一切都预示着传统的推荐系统已经失效、新一代的个性化推荐系统正在崛起！个性化推荐系统就是推荐系统的2.0，项亮总结，这新一代推荐系统包含三个子模块：
1、前台的展示页面
2、后台的日志系统
3、推荐算法系统
推荐系统会涉及到3个利益相关者：
1、消费者用户
2、提供推荐系统的网站
3、商品的提供方
好的推荐系统是让用户感到满意、体验惊喜；让推荐系统的网站不断接受反馈、改进，提供推荐广度和精度；覆盖大量的商品，促进更多的有效消费。好的推荐系统不仅可以预测用户行为，更重要的帮助用户发现她们可能会感兴趣，但却难以发现的商品；好的推荐系统，总是会让用户对产品的每个交互动作反馈做贡献，可以让下一个交互动作更爽、更有意义。
后面的章节就主要围绕个性化推荐三个子系统模块分别讲述，其中提到好几个有用的实例：
1、前台展示页面要给出推荐理由、推荐上下文、相关推荐文案，不是无缘无故的推荐，总要有对用户的相关具体解释
2、采集用户行为数据，包括用户的交互数据和记录数据。没有这些数据的保存和数据分析，就丧失了推荐的基础
3、 两个基于领域的算法：1）基于用户的协同过滤算法（UserCF），根据有类似口味的用户推荐商品，推荐侧重用户的社会化，比较适合新闻类网站 2）基于商品的协同的过滤算法（ItemCF），根据当前用户感兴趣的商品在推荐相关商品，推荐更加商品的个性化，可以帮助用户发现延展产品、甚至意想不到、感到惊喜的产品，比较适合亚马逊、Netflix等网站
4、可以利用社交网站的API接口，给用户推荐好友，利用好友行为，更快启动个性化推荐
5、利用用户标签数据，通过UGC用户自己产生的数据，设计推荐引擎，联系用户和商品
个性化推荐系统是向复杂的技术，也是个长期积累的活。业界目前也就亚马逊、谷歌等少数巨型公司做的很成功，也是耗费是N年的精力精心打造、改进出来的。很显然，小公司是无法承受这样的技术成本的，或许利用一些现有的开源架构、微信、微博API等方式，实现一个小而美的推荐系统才是性价比最高的方式。最后，项亮在后记上指出，确定你是否真的需要推荐系统？只有能真正帮助用户解决问题的、或者发现问题的才是个实用的推荐系统。
原文来自：http://www.ashnotes.com/read-personal-recommendation-sys/