编辑推荐：
通过对本书的学习，读者不仅可以全面系统地了解该领域的基础原理，还能试验如何搭建一套真正的推荐系统。
—— 百度主任架构师、百度技术委员会主席 廖若雪
本书比较全面地介绍了推荐系统涉及的相关知识点，很适合对于推荐系统感兴趣的相关人员作为入门教程，目前能够系统全面介绍相关技术的中文书籍还显得匮乏，相信这本译著对于缓解这种情况大有裨益。
——新浪微博数据挖掘技术专家 张俊林
本书不但介绍了比较成熟的经典算法，还介绍了最近几年的一些新进展，并辅之以实际应用的案例介绍。希望看到越来越多的朋友加入到推荐引擎的研究和应用中来！
——百分点信息科技有限公司首席运营官兼技术副总裁 张韶峰
由蒋凡执笔翻译的这本《推荐系统》是一本从基础介绍推荐引擎的难得的好书，给人启迪良多。愿越来越多的互联网爱好者认真阅读本书，走在互联网发展大潮的前沿，成为下一代互联网产品真正需要的人才。
——人民搜索商务搜索部总监 常兴龙
读者评价：
这是迄今为止市面上所有讲推荐系统的书中最全面、最实用的一本入门指南。如果你是教这门课的大学老师，万万不能错过这本“推荐系统大全”。尤其值得称道的是，这本书广泛涵盖了不同类型的推荐系统，并对它们逐一进行了鞭辟入里、细致入微的剖析。虽然这本书定位于初中级读者，但是我认为即使是经验丰富的专业人员，也会在其中发现新鲜有趣的内容。
——Robin Burke, 芝加哥德保罗大学教授
本书涵盖了推荐系统领域的全部知识，并为应对未来新的挑战提供了前瞻性建议。书中全面解释了一系列生成推荐的经典算法和方法，概述了源自社交计算和语义网的新手段对推荐系统的作用。希望这本书能够点燃你的激情，释放你的创造力和进取精神，把推荐系统的研究与应用推向新的高度。
——Joseph A. Konstan, 美国明尼苏达大学教授
内容简介：
本书全面阐述了开发最先进推荐系统的方法，其中呈现了许多经典算法，并讨论了如何衡量推荐系统的有效性。书中内容分为基本概念和最新进展两部分：前者涉及协同推荐、基于内容的推荐、基于知识的推荐、混合推荐方法，推荐系统的解释、评估推荐系统和实例分析；后者包括针对推荐系统的攻击、在线消费决策、推荐系统和下一代互联网以及普适环境中的推荐。此外，本书还包含大量的图、表和示例，有助于读者理解和把握相关知识。
本书适用于从事搜索引擎、推荐算法、数据挖掘等研发工作的专业人员以及对推荐系统感兴趣的读者。

Review
'Behind the modest title of 'An Introduction' lies the type of work the field needs to consolidate its learning and move forward to address new challenges. Across the chapters that follow lie both a tour of what the field knows well - a diverse collection of algorithms and approaches to recommendation - and a snapshot of where the field is today as new approaches derived from social computing and the semantic web find their place in the recommender systems toolbox. Let's all hope this worthy effort spurs yet more creativity and innovation to help recommender systems move forward to new heights.' Joseph A. Konstan, from the Foreword
Product Description
In this age of information overload, people use a variety of strategies to make choices about what to buy, how to spend their leisure time, and even whom to date. Recommender systems automate some of these strategies with the goal of providing affordable, personal, and high-quality recommendations. This book offers an overview of approaches to developing state-of-the-art recommender systems. The authors present current algorithmic approaches for generating personalized buying proposals, such as collaborative and content-based filtering, as well as more interactive and knowledge-based approaches. They also discuss how to measure the effectiveness of recommender systems and illustrate the methods with practical case studies. The final chapters cover emerging topics such as recommender systems in the social web and consumer buying behavior theory. Suitable for computer science researchers and students interested in getting an overview of the field, this book will also be useful for professionals looking for the right technology to build real-world recommender systems.