本书分为4篇，第1篇包含推荐系统的前世今生及其涉及的基础数学知识，简单介绍了推荐系统的发展过程及从事推荐模型研发所需要的数学知识；第2篇重点介绍不同类型的推荐算法在多种应用场景下的开发实践，包括协同过滤、矩阵分解、Logistic回归、决策树、集成学习、因子分解与深度学习模型；第3篇介绍了推荐系统的冷启动问题及效果评估方法；第4篇通过行业真实案例，如广告点击率预测、金融产品精准营销、电影推荐、音乐推荐、产品交叉销售等，介绍了推荐模型开发的全过程。