推荐系统的入门书，Jannach那本 2010 年的老经典，蛮适合刚入门或者打算系统捋一捋的你。讲得不算花哨，但框架搭得挺扎实的，历史背景、算法分类、实战案例，啥都有，读完基本上不会被忽悠了。

想快速上手？下面这些文章也挺有料的，按主题整理了下，实用性比较强，尤其是搞项目的时候能派上大用场。

做商品推荐的，可以看看协同过滤这篇：协同过滤商品推荐系统。逻辑简单、上手快，适合跑通第一个 Demo。

后端是Spark的你，不妨直接冲这篇：Spark 协同过滤推荐系统。并行效率高，跑大数据集也不虚。

如果你用Django，推荐这篇整合方案：基于 Django 框架的图书推荐系统，直接集成协同过滤算法，前后端一体，开发效率还不错。

做电商推荐的朋友，可以研究下这个：协同过滤算法：电商平台精准推荐背后的秘密。嗯，讲得比较细，业务场景也贴。

想看点技术细节的，推荐这个工具详解：视频推荐系统中的基于物品的协同过滤算法工具详解，看看怎么拆模型的。

Canopy-K-means和推荐结合起来也挺有意思的：基于类别偏好 Canopy-K-means 的推荐系统协同过滤算法，分类粒度更细，推荐更个性。

要想搞点进阶玩法？这个知识图谱混合推荐的思路可以看看：融合知识图谱表示学习的协同过滤推荐算法。多源信息一起用，效果提升蛮。

课程或者教学用，k-means聚类配协同过滤这篇挺方便的：推荐算法高级版-课件-协同过滤与 k-means 聚类，内容通俗、适合带学生做项目。

搞科研或者论文方向的，可以看看这篇：基于 WUM 和 RBFN 的协同过滤推荐方法探讨，涉及了一些深度学习和行为建模。

一个推荐给Java全栈党：基于 Java 和 Vue 的 SSM MySQL 协同过滤算法电影推荐系统设计，业务完整、功能也全，部署起来也不复杂。

如果你刚开始接触推荐系统，强烈建议先把那本书翻一翻，配合上这些实战项目，理解会更透一些。