《推荐系统实践》是一本由项亮著作，人民邮电出版社出版的平装图书，本书定价：49.00元，页数：200，文章吧小编精心整理的一些读者的读后感，希望对大家能有帮助。

　　《推荐系统实践》读后感(一)：你的推荐系统的第一本书

刚看书看到一半的时候我曾经在短评中吐槽说，这书中的python代码可以直接去掉的，事实也确实如此，然后公式中有些变量没有注释的事情也是出现在前半部分，感觉书的后半部分要比前半部分写的严谨多了，不知道前半部分是谁写的= =！。
书的序言里写到作者想要把这本书写成像集体智慧编程一样的书，其实光就算法方面来说，之前看集体知乎编程的时候并没有感觉很好，没有伪码，算法的脉络不是很清晰，看惯了传统算法书的套路再看集体智慧编程这样的书其实是很看不惯的，因为总感觉没有统领全局的框架感的东西，算法这种的东西，单纯的看代码其实是一件还蛮累的事情的，所以相比show me the code其实show me the formula会更重要一些，（虽然我当年刚开始看算法书的时候曾经说过一切没有源码的算法书都是耍流氓，但今天却不再这么认为了）。但集体智慧编程这样的书却有一点是极好的，作者的写书脉络都是根据一个个实际的应用场景下引入的一个个算法，这样让你不至于对于某种算法的认识十分架空，认为算法书上的算法只是在玩一些数学游戏的感觉。从整个角度来说，推荐系统实践这本书确实做到了如同集体智慧编程一样，并且每一次对一个基本的算法提出的改进算法以及为什么这样改进的解释，以及最后改进的结果都逻辑清晰一五一十的写的清清楚楚的，这应该是得益于作者之前潜心玩netfilx prize 比赛的原因所以对算法的每一个改进的细节都有自己如此深刻的理解，而这些都是很多算法书所不能及的，更别提那些只知道copy的国内算法的书了。
书中把推荐系统的主要框架和概念基本都涉及到了，基本上评价她是推荐系统的第一本书不算为过。还有再强调一次，书中的python代码可以去掉了。

　　《推荐系统实践》读后感(二)：《推荐系统实践》：当我们在谈推荐时在想什么？

用信息过载甚至信息爆炸来形容当前这个无处不被互联网渗透的时代真是毫不夸张。每天打开手机，不断推送的各种信息，通过各种手段抢夺着每一个用户的分分秒秒。在这个时代，无论是信息消费者还是信息生产者都遇到很大挑战：对于信息消费者，饱受过载信息干扰而很难找到自己感兴趣的内容；对于信息生产者，让自己平台的信息获取用户关注，也并非一件容易的事情。
因此，不少人预言，互联网的一大潜力市场在于对用户时间的节约，谁能在有限时间内更高效为用户解决问题，谁就能获取用户的青睐。因此，高效个性化充分满足用户潜在需求的推荐系统开始发挥越来越大的作用，它在连接信息生产、信息本身、信息接收三者之间起到很重要的桥梁作用。
可能一些人会把推荐系统的优化认为是纯技术算法的事情，或者认为推荐系统的优化是一件有点神秘的事情，如何将算法应用在推荐系统的优化中？如何解决推荐系统的冷启动问题？如何解决推荐策略中的马太效应？最近看了一本《推荐系统实践》，觉得是一本不错的推荐入门书籍，推荐给大家。
首先说明这是一本技术书籍，作者就是一名工程师，里面贴了大量代码，不懂代码的人可以忽略不看，但可以阅读代码背后的策略逻辑。以及虽然在阅读电子书时，做了不少摘录和笔记，但不会把每一章每一节的内容事无巨细的告诉大家，主要说一些我的感受。
推荐的冷启动问题。
当一个新用户来到一个应用/网站，是缺乏基础信息的，推荐系统不知道他的历史行为和偏好，这里就需要推荐的冷启动。针对冷启动的推荐，《推荐系统实践》里主要提到了这一点——提供非个性化的推荐。
1 非个性化推荐的最简单例子就是热门排行榜，我们可以给用户推荐热门排行榜，然后等到用户数据收集到一定的时候，再切换为个性化推荐。
2 利用用户注册时提供的年龄、性别等数据做粗粒度的个性化。
3 利用用户的社交网络账号登录（需要用户授权），导入用户在社交网站上的好友信息，然后给用户推荐其好友喜欢的物品。
4 要求用户在登录时对一些物品进行反馈，收集用户对这些物品的兴趣信息，然后给用户推荐那些和这些物品相似的物品。
5 对于新加入的物品，可以利用内容信息，将它们推荐给喜欢过和它们相似的物品的用户。
6 在系统冷启动时，可以引入专家的知识，通过一定的高效方式迅速建立起物品的相关度表。
我们谈个性化时，我们在想什么？
作者说：“个性化推荐的成功应用需要两个条件。第一是存在信息过载，因为如果用户可以很容易地从所有物品中找到喜欢的物品，就不需要个性化推荐了。第二是用户大部分时候没有特别明确的需求，因为用户如果有明确的需求，可以直接通过搜索引擎找到感兴趣的物品。”
在我看来，个性化推荐要做到充分满足用户个人需求且真正有价值的，需要重点考虑以下几点：
1 覆盖率问题。一个热门的信息被用户点击的越多，就越容易被推荐系统所推荐，最后导致的结果，推荐系统呈螺旋式分布，越热门的越被推荐，长尾的价值被淹没了。因此，要谨防推荐系统的马太效应，对特别热门的大家已知的内容要适当降权，而应该更多考虑基于用户兴趣、社交关系、时效性的推荐。
2 提升有价值信息的权重。这里就涉及到一个推荐系统健壮性的问题。基本上互联网从业者都知道，个性化推荐需要综合用户人口统计学特征、用户行为以及社交网络的多重因素，但这个多重因素如何分配权重问题？是不是所有和个性化相关的都要加到参考因素里进行实时计算呢？这样做，不仅意义不大，当系统物品数超级庞大时进行对计算能力也是一个挑战。因此，设计推荐系统时尽量使用代价比较高的用户行为。比如,如果有用户购买行为和用户浏览行为,那么主要应该使用用户购买行为,因为购买需要付费,攻击购买行为的代价远远大于攻击浏览行为。
3 提升用户的信任度。推荐系统需要通过前台展现告诉用户这是其感兴趣的人或物。简单的呈现，并不能得到越来越精明用户的认可，怎么办？需要提升用户的信任度。提升信任度需要提升推荐的透明度告知推荐理由。推荐理由也有很多细分：从物品本身进行挖掘，比如推荐一家餐厅，展示餐厅的推荐菜；从用户行为进行挖掘，“你曾经购买过”、“你曾经收藏过”；借助用户的社交网络进行推荐：“你的微信好友也去过”，“你的微博好友也喜欢”。在对物品本身进行挖掘时，针对离散化语言的语义挖掘识别非常重要，目前电商和O2O网站应用比较普遍，将用户非结构化的评价标签化。标签化的好处在于简单易理解，聚合同类信息，便于输出应用。
推荐十原则
书中提到，2009年ACM推荐系统大会上Strand的研究人员总结了10条在设计推荐系统中学习到的经验和教训。
（1） 确定你真的需要推荐系统。推荐系统只有在用户遇到信息过载时才必要。如果你的网站物品不太多，或者用户兴趣都比较单一，那么也许并不需要推荐系统。不要为了做推荐系统而做推荐系统，而是应该从用户的角度出发，设计出能够真正帮助用户发现内容的系统，无论这个系统算法是否复杂，只要能够真正帮助用户，就是一个好的系统。
（2） 确定商业目标和用户满意度之间的关系。对用户好的推荐系统不代表商业上有用的推荐系统，因此要首先确定用户满意的推荐系统和商业上需求的差距。一般来说，有些时候用户满意和商业需求并不吻合。但是一般情况下，用户满意度总是符合企业的长期利益，因此这一条的主要观点是要平衡企业的长期利益和短期利益之间的关系。
（3） 选择合适的开发人员。一般来说，如果是一家大公司，应该雇用自己的开发人员来专门进行推荐系统的开发。（不过我觉得这句话基本约等于废话）
（4） 忘记冷启动的问题。不断地创新，互联网上有任何你想要的数据。只要用户喜欢你的产品，他们就会不断贡献新的数据。
（5） 平衡数据和算法之间的关系。使用正确的用户数据对推荐系统至关重要。对用户行为数据的深刻理解是设计好推荐系统的必要条件，因此分析数据是设计系统中最重要的部分。数据分析决定了如何设计模型，而算法只是决定了最终如何优化模型。
（6） 找到相关的物品很容易，但是何时以何种方式将它们展现给用户是很困难的。不要为了推荐而推荐。
（7） 不要浪费时间计算相似兴趣的用户，可以直接利用社会网络数据。
（8） 需要不断地提升算法的扩展性。
（9） 选择合适的用户反馈方式。
（10）设计合理的评测系统，时刻关注推荐系统各方面的性能。
推荐系统将把我们带向何方？
推荐系统的初衷是为了节约时间，为无明确需求的用户提供决策指导、丰富阅读信息。然后理想很丰满，现实很骨感，现实是这样的么？
前几天看到caoz写的一篇文章《推荐算法，机器学习，会将我们带向何方？》，里面讲到一些反面例子。比如某以算法著称和个性化推荐的app，会让作者觉得自己是一个低俗的人，“为了追求用户的点击，浏览，也就是自己的内容更多的被推荐，他们更倾向于采纳故弄玄虚，危言耸听的标题，而系统，这套算法，在实践运营中，也明显激励了这样的行为。”“从数据来说，这是一个多赢，用户的活跃度很高，点击率很好看，广告卖的很好，作者分到了很多钱，而这家公司获得了非常漂亮的财务报告。”用户获得更有价值的信息吗？用户的时间被节约了么？事实上，是一些用户和作者在恶趣味的道路上越走越远，最终会让用户产生这是一个低俗内容app的感觉。虽说算法是冷冰冰的，理性的，但算法是可以调优的，在设计推荐系统时需要考虑不做恶原则。
说完内容引导的不做恶原则，再谈谈推荐算法在移动互联网时代的实际应用。这本书因为写的较早，基于移动互联网的一些思路没写进去。比如基于地理位置附近的用户感兴趣的,正在做的，附近的有价值商户（新的，优惠的）以及基于用户征信的，都可以对用户行为作预测和推荐。比如o2o平台百度糯米充分利用百度大数据和对用户行为的深度挖掘，可根据用户地理位置推荐餐馆优惠打折信息，并根据用户已有行为在电影开始前、KTV开始前等购买预约行为进行引导提示，在合适的地点合适的地点精准预测用户需求，用户不再需要主动去搜索，更好节约用户时间，为用户创造价值。类似还有google now等。
推荐系统将把我们带向何方？这是一个结合智能策略、机器算法、人工智能预测分析人心的系统，在想，随着科技进一步的发达和VR、AR技术的发展，以后会有基于感官体验的推荐么？人的一切吃穿住行都可以被系统推荐安排吗？也许若干年后，人的核心价值就是思考了吧。

　　《推荐系统实践》读后感(三)：《推荐系统实践》是数据应用的最好例子。

书评
    为什么要看本书？因为想探寻数据的价值，觉得推荐系统就是数据应用的最好例子，它也是数据产品的一大形态，里面包含了很多数据处理、算法以及相应的仓库架构理论。
    在亚马逊的书籍海洋里，搜索一下会发现推荐系统相关的书籍少之又少，而相对于它的目前应用，它却是如此的广泛，简单到现在各大网站的热门推荐，新版推荐等可能都是很小型的推荐模块。
    随着信息量的不断增加，各个网站载体渐渐变得负载过重，推荐系统的价值一定是越来越大，产品的服务需要为用户不断的做好选择，而且推荐的价值渐渐也会颠覆用户对广告的印象，这样就能做到共赢的状态，广告是用户喜欢的，也是能促进商家盈利的。
    之前对于推荐系统的了解其实还是很片面，也不知道里面的具体运转原理是什么？可能我们只知道，如果网站的某个推荐呈现出来的物品是要是我想要的就不错，而为什么它能做到，却是一个谜团，通过我们历史的浏览？还是我们的关系网比如某个要好的网络朋友喜欢的？还是分析我们本身的特征，比如我们经常喜欢某某电影？某某音乐？或者我们填了一些基础信息，男的女的，年龄等？到底当下推荐系统内部运作的原理是怎么样的？这让人好奇，带着这些谜团，去看《推荐系统实践》这本书，很多都能得到较好的答案，能做到这些是不是觉得本书是一本不错的书籍。
    里面有很多案例，比如亚马逊的书籍推荐、Netflix的视频推荐、Pandora的音乐推荐、Facebook的好友推荐、Google Reader的个性化阅读等都是很典型的推荐应用的案例。深入想想，这些其实还是数据的魅力，互联网使得我们很方便的收取用户的信息，从而让做更好的分析，最后为用户主动选取他们需要的东西，这不就是整个推荐系统的原理所在么？
【本书略贵，能便宜点就好了】

　　《推荐系统实践》读后感(四)：永远没有“银弹”！

在学习任何技术，我们都在思考一个问题，有没有这个行业最好的，能解决所有问题的呢？
就如武侠小说里，所有人都在幻想一种顶级武功，简单易学，克敌制胜，分分钟秒杀敌人那种。
现实是不可能有。我们遇到的各种问题千奇百怪，针对每一件事我们都需要经过辩证的思考，又怎么会有一种技术站在行业的金字塔顶，解决一切呢？
对于推荐算法，作为小白鼠的我，也一直幻想我能不能学一种最NB的，而不用再看其他的，哈哈~
看完本书，基本了解各个推荐算法的基本原理。
1. 基于人口统计学的推荐算法
针对用户定义各种属性，针对特定属性进行分析，比如年龄相近，地域相近，我们可以说这是同一类用户。
但是现实中的情况如此复杂，用户的很多定义也是无法通过属性去定义的，比如三观。所以基于人口统计学的推荐算法，不够严谨，并且后续扩展不易（每时每刻都要增加用户的属性定义）
2. 基于内容的推荐算法
同人口统计学推荐算法一样，不同的仅仅是把人口换成了内容。比如一本书，定义这本书的基本属性，作者，类别等等。通过这些基本属性来找到相似的图书。
算法缺点同人口统计学是一样的。很多产品的属性定义没有那么明确，就会导致推荐系统的不准确。
3. 协同过滤算法
协同过滤算法，是目前最流行的推荐算法。而协同过滤算法也分为两种方式。
第一种，基于物品的协同过滤。基本思想就是：用户购买了IPhone，系统利用庞大的用户数据，计算物品的相似度，即很多购买了IPhone同时购买了IPhone外壳。使用余弦函数。（物品A购买次数 ∩ 购买物品A同时购买物品B的次数）/ （物品A购买次数 ∪ 购买物品A同时购买物品B的次数）。这样就计算出两个物品相似度的余弦值，然后通过排名该余弦值，推荐用户没有购买过的物品给予用户。
基于物品的协同算法，适合于购物网站，例如亚马逊。因为物品本身不多，并且物品的属性不易变更。
第一种，基于用户的系统过滤。基本思想，是计算两个用户之间的相似度。通过用户购买的物品的交集 / 用户购买物品的并集。 来计算两个用户之间的相似度，然后推荐给相关用户喜爱的信息。
基于用户的系统算法，适合于新闻网站，物品相对来讲非常多，且具有非常强的时效性，而用户相对来讲是比较少的
4. 基于标签的推荐算法
基于标签的推荐算法，是利用标签把用户和物品结合起来的算法，很好均衡了用户和物品之间的关系。
基本思想是：用户有经常使用的标签数据。 而每个物品都有标签，在每个标签下就会有最热门的物品。利用用户的标签数据，来匹配最热门的标签物品，推荐给用户信息。
不同的推荐算法，适合于不同的应用。或者需要结合多种推荐算法一起使用才能达到最后的效果。
了解这些推荐算法的类型，只是入门级别。进一步还需要深入进行研究，例如推荐算法的惩罚因素等等。
共勉。

　　《推荐系统实践》读后感(五)：信息过载

最近做视频，正好梳理下个人对于视频推荐的看法。
一、为什么要有推荐系统？
信息过载，把最需要的给到用户。越发重要后成为一种重要的内容发现维度。
所以需要分类型对视频产品进行考虑，甚至分受众。
视频推荐梳理：
a、运营头部或针对性推荐：
热门、重大事件、部分小视频等；
b、用户行为强相关：
用户行为种类、产生行为的时间、持续时间、行为次数、物品热门程度。
浏览、点击、观看、调节、跳出、续接 某个视频或页面。
用户持久的观看形成的特征：基于特征向量、基于用户关系链、基于物品。
二、如何搭建推荐系统？
1、技术框架
用户属性+用户行为-行为提取-特征转换---得出 特征向量；
相关表1/2/3/4/5/6/7---结合特征向量得出相关 对应特征-物品推荐 即初始推荐结果；
初始推荐结果--再依照用户、物品维度 过滤、排名得出结果。
即：日志收集--行为存储--推荐系统--UI交互--用户。
2、数据利用
冷启动（注册、热门物品、特定物品选择、专家用户）--可以忘却
用户数据、上下文信息、用户关系链、社交网络链信息
3、算法选择
ItemCF / UserCF / 领域算法等
4、推荐的提供方式（产品设计问题）-- 评测系统 （用户主动及被动反馈）
5、推荐系统的优劣如何评价：
用户满意度、
预测准确度、
覆盖率、
多样性、
新颖性、
惊喜性、
信任度、
实时性、
健壮性、
商业目标。
理解数据，理解推荐，放置于大局观。

　　《推荐系统实践》读后感(六)：自己来冒个泡

这本书大约写了10个月的时间，如果一定要自己评价一下这本书，只能说还行。这本书基本达到了写作目标：
1. 帮助刚毕业的学生迅速了解如何将他们学到的理论用于实际
2. 帮助程序员迅速将他们的编程能力应用到推荐系统中来
3. 强调数据分析的重要性，淡化算法
4. 运用多种评测方法，强调全面评测的重要性
不过本书也有一些遗憾，如果将来会再版这本书，可以修正这些遗憾：
1. 推荐系统和搜索引擎不同，他还没有一个统一的应用场景，因此不同网站的推荐系统都有不同的特色。但是因为我主要从事视频推荐方面的研究，对于电商或者LBS，社交推荐方面的推荐还缺乏深刻的认识，只做过一些理论研究，缺乏实际动手分析的经验，所以这方面的内容相对欠缺。
2. 对并行化和大数据说的不多。本书提到的方法都是可以用于大数据，很容易通过Map-Reduce或者MPI并行化。但是本书对这些方法如何并行化说的也不多。这主要是我自认为还不能算这方面的专家，写出来可能会贻笑大方。
3. 缺乏统一的理论框架。这其实不能算本书的缺点，因为整个推荐系统看起来，除了协同过滤，很多其他算法的理论框架都不完善。此外，写这本书时的立意是要让大家看完之后觉得，靠，推荐算法就这么简单啊。所以没有运用理论化堆公式的写法。不过，如果能用简单的语言将理论的问题说清楚，那就更NB了。不过我目前还没有达到这样的功力。
最后，看到很多人说这本书和我的博士论文很像。其实这本书只有半章和我的博士论文相关，其他部分都是博士论文中完全没有的，嘿嘿。
-------
本来觉得自己评价，应该谦虚一点，打个3分就可以了。后来想想，写一本3分的书卖给读者，显然太不负责任了，于是想想还是打个4分吧。嘿嘿。

　　《推荐系统实践》读后感(七)：一本适合推荐系统专业研究生和入门从业者的书籍

每本将推荐系统的书都大同小异，都会从技术、应用以及一些工程中的问题几个角度来组织目录结构。但是要想书写的出色，一定在于“差异化”，这本书的与众不同之处在于书本中脚注中大量引用了学术中的论文，这些论文一般都是在每个章节中讲到某个系统问题时候的综述或者研究人员的博士论文，这些论文能够比较详尽的概述整个领域与本章的问题。
遗憾之处就在于，论文是有时效性的，这也是任何书籍不可避免的一点，要想跟进最新的研究成果，可能就还得做一番功夫了。
本专业的研究生可以在阅读本书的基础上，调研RecSys，SIGIR，CIKM，ICDM，KDD，ASONAM等主流数据挖掘会议，这些会议中都往往常年设有推荐系统专题workshop。至于入门从业者，在阅读本书的基础上，还应该多看一些本行业的PPT，除了了解基础之外，还应该对业内是如何具体在架构、业务因素等角度组织真实的推荐系统有所涉猎，这些PPT一般可以通过一些行业大会，如大数据技术大会、云计算大会等行业会议中讲者的报告中获得，这些报告对应的PPT可以通过网盘搜索网站搜索得到。

　　《推荐系统实践》读后感(八)：入门力荐，深入就欠了点

这本书是我学习推荐系统以来接触的第一本书，书是好书，作者为了写出像《集体编程智慧》那样实用的手册还是很下了番功夫，值得肯定，特别是作者还是国内的，就更要推荐了。
从入门的角度看，本书页数不多，不会让人望而却步，第一张的引入也写的确实让人很有兴趣，之后每个章节的介绍也相对比较全面，内容还是不错，可以让推荐系统门外汉迅速了解什么是推荐系统，以及其中的一些细节。
但从应用深入的角度，本书就不是很合格了，首先本书的代码虽然是用python写出，但是只能作为伪代码，实际使用时很多需要修改，其次理论分析没有和实际代码很好的关联，前几章还行，后面就有点脱节。而且比如协同过滤等等算法只是列举了最基础的，没有把其一些改进的思路说出，比如基于用户的算法，我自己编写的就比书上效率高10倍。
从实验科研的角度讲，这门书还是很好的，它介绍了很多科研数据集，并且列出了自己实验数据，本人親测前三章实验结论基本一致。适合做科研的同学了解科研的方式方法，但深度和广度欠缺了点
总的来说还是不错的，这门书，推荐

　　《推荐系统实践》读后感(九)：同事推荐的书，但真的很失望

各种放网站截图是个什么鬼？
第一章34页，27个图其中23个是网站截图是个什么鬼？图还截那么大！有的一页两个图直接占据一页70%以上
你连续放图也就罢了，同一类别你连续放两个截图是什么鬼？(P24)
Amazon上的Add to cart, add to wish list, rate this item, i own it...等等，一定要翻译过来吗？难道这本书的读者这点英文都看不懂？即使看不懂也上过亚马逊吧？(P5）
你给公式挺好的，但你公式可以给点注释吗？什么字母代表什么意思？比如RMSE定义(P25)，我新手不知道干嘛的，你就不能给点说明性的文字吗？
公式不给解释也就罢了，你码几句python又是什么鬼？
刚看完第一章，占整个篇幅的近20%，但毫无收获。
只能说这只是一本码字数，毫无诚意的一本书。
哦，还有价格，40+，坑爹

　　《推荐系统实践》读后感(十)：很好的推荐系统入门书籍

1、总的来说，本书是很好的入门书籍。当前个性化推荐是整个（移动）互联网时代的发展趋势，几乎所有很多主流的应用都用到了推荐系统，例如，电商、电影、音乐、图书、社交网络、个性化阅读、视频、个性化邮件、个性化广告等等。

2、本书的书写逻辑是：