查鲁·C.阿加沃尔（Charu C.Aggarwal），IBM T.J.Watson研究中心杰出研究人员（DRSM），于1996年在MIT获得博士学位。他对数据挖掘领域有着广泛的研究。在国际会议和期刊上发表了300余篇论文。申请了90余项专利。他曾三次被评为IBM的“杰出发明人”（Master Inventor）。并曾获得IBM公司奖（IBM Corporate Award，2003）、IBM杰出创新奖和两项IBM杰出技术成就奖（2009，2015）。他因为提出基于冷凝的数据挖掘中的隐私保护技术而获得EDBT2014的时间检验奖（Test of Time Award）。他还获得了IEEE ICDM研究贡献奖（2015），这是数据挖掘领域对具有突出贡献的研究的两项最高奖项之一。
他曾多次担任ACM/IEEE知名国际学术会议的主席或程序委员会主席。并担任大数据相关多个知名期刊的主编或编委。由于在知识发现和数据挖掘算法上的贡献，他入选SIAM、ACM和IEEE的会士。

出版者的话
译者序
前言
致谢
作者简介
第1章 推荐系统概述
1.1 引言
1.2 推荐系统的目标
1.2.1 推荐系统应用范围
1.3 推荐系统的基本模型
1.3.1 协同过滤模型
1.3.2 基于内容的推荐系统
1.3.3 基于知识的推荐系统
1.3.4 人口统计推荐系统
1.3.5 混合集成的推荐系统
1.3.6 对推荐系统的评价
1.4 推荐系统领域特有的挑战
1.4.1 基于上下文的推荐系统
1.4.2 时间敏感的推荐系统
1.4.3 基于位置的推荐系统
1.4.4 社交信息系统
1.5 高级论题和应用
1.5.1 推荐系统中的冷启动问题
1.5.2 抗攻击推荐系统
1.5.3 组推荐系统
1.5.4 多标准推荐系统
1.5.5 推荐系统中的主动学习
1.5.6 推荐系统中的隐私问题
1.5.7 应用领域
1.6 小结
1.7 相关工作
1.8 习题
第2章 基于近邻的协同过滤
2.1 引言
2.2 评分矩阵的关键性质
2.3 通过基于近邻的方法预测评分
2.3.1 基于用户的近邻模型
2.3.2 基于物品的近邻模型
2.3.3 高效的实现和计算复杂度
2.3.4 基于用户的方法和基于物品的方法的比较
2.3.5 基于近邻方法的优劣势
2.3.6 基于用户的方法和基于物品的方法的联合
2.4 聚类和基于近邻的方法
2.5 降维与近邻方法
2.5.1 处理偏差
2.6 近邻方法的回归模型视角
2.6.1 基于用户的最近邻回归
2.6.2 基于物品的最近邻回归
2.6.3 基于用户的方法和基于物品的方法的结合
2.6.4 具有相似度权重的联合插值
2.6.5 稀疏线性模型
2.7 基于近邻方法的图模型
2.7.1 用户物品图
2.7.2 用户用户图
2.7.3 物品物品图
2.8 小结
2.9 相关工作
2.10 习题
第3章 基于模型的协同过滤
3.1 引言
3.2 决策和回归树
3.2.1 将决策树扩展到协同过滤
3.3 基于规则的协同过滤
3.3.1 将关联规则用于协同过滤
3.3.2 面向物品的模型与面向用户的模型
……
第4章 基于内容的推荐系统
第5章 基于知识的推荐系统
第6章 基于集成的混合推荐系统
第7章 推荐系统评估
第8章 上下文敏感的推荐系统
第9章 时间与位置敏感的推荐系统
第10章 网络中的结构化推荐
第11章 社交和以信任为中心的推荐系统
第12章 抵抗攻击的推荐系统
第13章 推荐系统高级主题
参考文献
索引

推荐系统是一种预测用户对商品和信息的喜好的模型，可以帮助用户发现自己感兴趣的信息和商品。构建推荐系统时，既要考虑效率，也要考虑有效性；既要考虑用户心理，也要考虑用户的行为；既要考虑商品和信息的外在属性，又要考虑商品和信息的相互关联。由于其综合性和复杂性，推荐系统可以看成是数据库、自然语言处理、机器学习、信息检索、算法甚至心理学等领域的综合与交叉。查鲁·C.阿加沃尔著的《推荐系统(原理与实践)/计算机科学丛书》从上述庞杂知识领域中梳理出一个完整的知识体系，有助于初学者系统地学习推荐系统知识。