转自：微软研究院AI头条
编者按：随着科学技术的飞速发展，数据资源呈现海量化、多元化的特征，但人们的生活也面临着信息冗余和过载的问题。如何在网购时挑选到心仪的商品？如何在出行中找到吃喝玩乐的推荐？如何在纷繁的资讯中找到感兴趣的内容…… 在大数据时代，人们日常的工作休闲都离不开推荐系统（Recommender Systems）的助力。
为了帮助大家更好地了解、学习推荐系统领域的相关知识，我们邀请了微软亚洲研究院的研究员们推荐了该领域的五本“必读”书籍，其中既有推荐系统的概念、经典算法等基础知识，也包括了推荐系统在不同领域的具体应用，希望能够对大家在深度学习时代的推荐系统研究和实践带来启发。
Recommender Systems: An introduction
中文版：《推荐系统》
作者：Diermar Jannach, Markus Zanker, Alexander Felfernig, Gerhard Friedrich
主要内容：本书比较全面地介绍了推荐系统涉及的相关知识点，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。
推荐理由：本书内容详尽，广泛涵盖了不同类型的推荐系统，并对这些推荐系统逐一进行了细致地剖析，并辅以实际应用案例的介绍，适合想要了解推荐系统的基础和相关研究的读者作为推荐系统的入门书籍。书中包含了大量的图表以及示例，有助于读者理解和把握相关知识。
Recommender Systems: The Textbook
主要内容：本书详尽地介绍了推荐系统的各个方面，内容大致分为三个部分：1）“算法和评估”部分探讨了推荐系统中的基础算法，包括协同过滤的方法、基于内容的方法、基于知识的方法、集成方法以及推荐系统的评估方法；2）“特定领域和上下文的推荐系统”部分介绍了在如时间空间数据、社交数据、标签数据以及信用度数据等不同的上下文场景数据中如何进行推荐；3）“高级的主题和应用”部分介绍了和推荐系统的鲁棒性相关的内容，如先令系统、攻击模型以及相应的防御模型。
推荐理由：这是一本非常优秀的教科书，它不仅用简明的语言阐述了推荐系统的基础，深入介绍了核心算法以及数学论证，还为读者提供了第三方工具或框架使用时需要查询的大量资料。本书对于推荐系统的基础、具体应用和相关文献进行了全面介绍，既适合研究人员作为推荐系统的入门书籍，又适合工业从业人员作为工具参考书。
Recommender System Handbook
主要内容：该书从两个角度介绍了推荐系统技术：1）基础推荐算法；2）推荐系统评估和应用。在基础推荐技术方面，该书对于推荐系统发展早期的各种经典算法做了深入的总结和分析，包括基于内容的推荐、基于最近邻的协同过滤和矩阵分解等。推荐系统评估和应用方面，该书探讨了推荐算法评估常用的方法和准则，介绍了推荐系统落地过程中可能遇到的挑战。
推荐理由：这是一本推荐系统领域的经典书籍。该书篇幅较长，每个章节都邀请了知名学者参与撰写，其中介绍的经典方法和问题，对于深度学习时代的推荐系统研究和实践都非常有启发。该书出版于2011年，第3版在今年出版，非常适合研究人员和工程人员在实际的研究和工作中作为技术参考手册。
《推荐系统实践》
主要内容：这是项亮博士将他博士期间在推荐系统上的研究和经验总结整理成的偏应用的书籍，出版于2012年。本书结合具体的应用场景，简明扼要地介绍了推荐系统的基本组成部分，以及如何灵活利用不同的内容数据，例如用户标签、社交网络、上下文信息等，帮助改进推荐模型。书中覆盖到的算法以协同过滤、内容过滤和图算法为主。每个章节均有简单的算法代码示例和数据结果分析。
推荐理由：这本书最大的特色是从实际应用的角度出发，系统性地介绍推荐系统的多个方面，包括典型的应用场景、基础的算法模型、重要的辅助信息、评价指标，以及推荐引擎的架构。，初学者通过该书能在最短的时间内了解推荐系统的基础知识，同时总览搭建一个推荐系统所需要的基本模块。
《推荐系统：前沿与实践》
主要内容：本书以一线研发人员的视角和经验，从原理与实践两个角度为读者剖析推荐系统。该书首先从原理上介绍了各类经典推荐算法及前沿的深度学习推荐算法，涵盖深度协同过滤、特征交互、基于图神经网络的推荐、序列与会话推荐、结合知识图谱的推荐和基于强化学习的推荐等重要技术，然后探讨了推荐算法研究在对话、因果、常识等方面的前沿话题。书中还分析了推荐系统在数据融合、系统扩展、性能评估等方面的关键挑战，并就如何设计负责任的推荐系统进行了探讨。最后，该书结合微软的开源项目 Microsoft Recommenders 介绍了推荐系统的实践经验。
推荐理由：近年来，推荐系统与深度学习的结合得到了工业界和学术界的普遍认可，然而相关书籍尚未普遍涉及这些前沿技术和实践经验。本书作者李东胜、练建勋、张乐、任侃、卢暾、邬涛、谢幸都长期活跃在推荐系统研发一线，在推荐系统领域的权威会议和期刊上发表过数百篇有影响力的学术论文，并主持开发过包括 Microsoft Recommenders 在内的多个推荐系统项目。读者可以基于本书深入学习最前沿的推荐算法设计原理和实践方式，并可以基于书中的源代码从零开始快速搭建一个准确、高效的推荐系统。