本书分为4部分，包含11章。首先介绍推荐系统的基本方法，接着探讨当前流行的一些方法，具体包括协同过滤推荐系统、内容推荐系统以及混合推荐系统。接下来讨论如何运用当前的机器学习算法来实现推荐系统。最后讨论推荐系统的相关趋势和新兴技术。
本书特别适合零基础的数据科学工作者参考和使用。它可以帮助读者从基础知识起步，逐步学习运用Python、深度学习和自然语言处理技术来构建推荐系统，以促进业务增长和提高客户忠诚度。

阿达沙·希瓦南达（Adarsha Shivananda），目前是Indegene公司产品和技术团队的高级数据科学家，致力于为制药产品构建机器学习和人工智能能力。Adarsha Shivananda的目标是通过优秀的培训计划建立一个杰出的数据科学家库，并一同解决更多、更大的问题。Adarsha Shivananda曾与Tredence Analytics和IQVIA合作。Adarsha Shivananda在制药、卫生保健、零售和营销领域具有广泛的工作经验。　　Adarsha Shivananda长居于印度的班加罗尔，喜欢阅读、骑行和数据科学教学。

第Ⅰ部分 基本方法
第1章 推荐系统简介
什么是推荐引擎
推荐引整的半型dn
基于规则的推荐系统
流行度
全球流行的商品
按国家计算热销商品
再次购买
小结
第2章 超市购物车分析（关联规则挖掘）
实现
数据收集
清洗数据
从数据集获取的洞察
基于DateTime的模式
免费商品和销售
热销商品
经常一起购买的商品
Apriori算法概念
关联规则
新建函数
关联规则的可视化
小结
第Ⅱ部分 流行方法
第3章 内容过滤
数据收集和下载词嵌入
将数据导入为DataFrame
预处理数据
文本转为特征
OHE
词频向量器CountVectorizer
TF-IDF
词嵌入
相似性度量
欧几里得距离
余弦相似度
曼哈顿距离
使用CountVectorizer构建模型
使用TF-IDF特征构建模型
使用Word2vec特征构建模型
使用fast Text特征构建模型
使用GloVe特征构建模型
使用共现矩阵构建模型
小结
第4章 协同过滤
实现
数据收集
关于数据集
基于内存的方法
基于客户对客户的协同过滤
实现
项目对项目的协同过滤
实现
基于KNN的方法
机器学习
监督式学习
小结
第5章 使用矩阵分解、奇异值分解和共聚类的协同过滤
实现矩阵分解、共聚类和SVD
实现NMF
实现共聚类
实现SVD
获取推荐
小结
第6章 混合推荐系统
实现
数据收集
数据准备
模型构建
合并训练集和测试集后的最终模型
获取推荐
小结
第Ⅲ部分 先进的机器学习算法
第7章 基于聚类的推荐系统
数据收集和下载所需的词嵌入
预处理数据
探索性数据分析
标签编码
模型构建
k均值聚类
肘部方法
层次聚类
小结
第8章 基于分类算法的推荐系统
方法
数据收集以及下载词嵌入
以DataFrame（pandas）形式导入数据
数据预处理
特征工程
探索性数据分析
模型构建
拆分训练集和测试集
逻辑回归
实现
决策树
实现
随机森林
实现
KNN
实现
小结
第Ⅳ部分 相关趋势和新技术
第9章 基于深度学习的推荐系统
深度学习（人工神经网络）基础
神经协同过滤（NCF）
实现
数据收集
以DataFrame（pandas）形式导入数据
数据预处理
拆分训练集和测试集
建模和推荐
小结
第10章 基于图的推荐系统
实现
小结
第11章 新兴领域和新技术
实时推荐
对话式推荐
上下文感知推荐系统
多任务推荐系统
联合表征学习
小结