苏雷什·库马尔·戈拉卡拉（Suresh Kumar Corakala）是一位专注于人工智能方向的数据科学家。他拥有近10年的专业经验，曾为多个领域的全球客户服务，并帮助他们使用先进的大数据分析技术解决业务问题。他主要从事推荐引擎、自然语言处理、高级机器学习、图数据库等方面的工作。曾参与编写《Building a Recommendation System with R》，由Packt出版。他热爱旅行和摄影。

　　《自己动手做推荐引擎》是一本推荐引擎技术的综合入门指南。详细介绍使用R、Python、Spark、Mahout、Neo4j技术实现诸如协同过滤、基于内容的推荐引擎和情境感知推荐引擎等内容。该书也介绍了行业内广泛使用的各种推荐引擎及其实现。此外，该书还涵盖一些推荐引擎中常用的流行数据挖掘技术，并在最后简要讨论了推荐引擎的未来方向。
　　该书适合想要使用R、Python、Spark、Neo4j和Hadoop构建复杂预测决策系统及推荐引擎的初学者和有经验的数据科学家阅读。

作者简介
技术评审员简介
前言

第1章 推荐引擎介绍
1．1 推荐引擎定义
1．2 推荐系统的必要性
1．3 大数据对推荐系统的推动作用
1．4 推荐系统类型
1．4．1 协同过滤推荐系统
1．4．2 基于内容的推荐系统
1．4．3 混合推荐系统
1．4．4 情境感知推荐系统
1．5 推荐系统技术的发展
1．5．1 Mahout在可扩展推荐系统中的应用
1．5．2 Apache Spark在可扩展实时推荐系统中的应用
1．6 本章小结

第2章 构建第一个推荐引擎
2．1 构建基础推荐引擎
2．1．1 载入并格式化数据
2．1．2 计算用户相似度
2．1．3 为用户预测未知评级
2．2 本章小结

第3章 推荐引擎详解
3．1 推荐引擎的发展
3．2 基于近邻算法的推荐引擎
3．2．1 基于用户的协同过滤
3．2．2 基于项目的协同过滤
3．2．3 优点
3．2．4 缺点
3．3 基于内容的推荐系统
3．3．1 用户画像生成
3．3．2 优点
3．3．3 缺点
3．4 情境感知推荐系统
3．4．1 情境定义
3．4．2 前置过滤法
3．4．3 后置过滤法
3．4．4 优点
3．4．5 缺点
3．5 混合推荐系统
3．5．1 加权法
3．5．2 混合法
3．5．3 层叠法
3．5．4 特征组合法
3．5．5 优点
3．6 基于模型的推荐系统
……
第4章 数据挖掘技术在推荐引擎中的应用
第5章 构建协同过滤推荐引擎
第6章 构建个性化推荐引擎
第7章 使用Spark构建实时推荐引擎
第8章 通过Neo4j构建实时推荐
第9章 使用Mahout构建可扩展的推荐引擎
第10章 推荐引擎的未来