協同過濾缺點

㈠ 知乎怎麼了知乎

今年8月，知乎宣布完成E輪2.7億美元融資。發布會上，知乎團隊提出三問：如何營造良性討論氛圍，兼顧內容質和量，保障創作者收益？
這靈魂三問，放在任何社區都適用。知乎是如何一步步「水化」的？「通貨膨脹」四字並不能解釋全部，社區的機理也作用於其本身。
問答門檻，可能是萬惡之源。受早期用戶的影響，知乎一向鼓勵深度的長回答，零散輸出有用觀點的小V得不到太多關注。去年即刻App創始人@瓦恁 說知乎「重資產輕中產」，就表達了類似意思。
有人總結了高贊回答的模板：謝邀+多圖慎入+xx日更新+xx日更新+原始回答，補丁落補丁，輸出門檻高。很多科普性問題，排在前列的，還是幾年前的長答案。一旦有了相對完備的答案，後面的短回答，即便有些許閃光點，也很難被發掘。
類似的問題，豆瓣也有。但比起內容導向，它更突出時間差。小透明很難通過書影評漲粉，因為這些內容的消費場景更明確，很多人就是電影上映前來看評價，而很多影評人早就提前觀影並輸出了還不錯的內容。
為什麼會出現這種問題？因為知乎問答和豆瓣詞條，本質上是人工訂閱的模式，而現在內容分發效率最高的卻是演算法和社交這兩種。
社交是少數人玩的游戲，很多時候你要先靠內容吸引關注，才能進一步談社交，因此演算法才是最好的冷啟動方式——把知乎短回答，推到廣場中，就能一定程度上解決上述問題。
除了演算法，還有個方法是下沉。移動端碎片化趨勢，加上知乎引入的下沉人口，就能增加短回答的數量，從而降低創作門檻。
但是，按下葫蘆浮起瓢，用戶和內容數量增加的同時，用戶看到的內容質量變差了，社區本身的知識濃度被稀釋了。
注意這兩者的細微差別，前者強調「用戶看到的」，演算法反映人性缺點，必然導致頭條化（不同用戶，程度不同），但實際可能只是好內容被藏起來了；後者強調「社區本身」，即大面積湧入素質不那麼高的人群，社區確實正在慢慢變「水」。
那麼，一個自製力極高，從來不看low內容的用戶，推薦流會不會受影響？當然會。因為個人意志是扛不過大環境的，一方面劣幣會驅逐良幣，優質內容生存空間變小；另一方面演算法非常復雜，協同過濾會牽扯很多用戶——你的喜好，一部分由他人決定。
因為專業內容流量減少，知乎限流一直是個熱門話題。前段時間，知乎頭牌@張佳瑋 就曾公開截圖測試：時間線上看不到這條動態的吱一聲。

㈡ 協同過濾的演算法簡介

電子商務推薦系統的一種主要演算法。
協同過濾推薦（Collaborative Filtering recommendation）是在信息過濾和信息系統中正迅速成為一項很受歡迎的技術。與傳統的基於內容過濾直接分析內容進行推薦不同，協同過濾分析用戶興趣，在用戶群中找到指定用戶的相似（興趣）用戶，綜合這些相似用戶對某一信息的評價，形成系統對該指定用戶對此信息的喜好程度預測。
與傳統文本過濾相比，協同過濾有下列優點:
（1）能夠過濾難以進行機器自動基於內容分析的信息。如藝術品、音樂;
（2）能夠基於一些復雜的，難以表達的概念（信息質量、品位)進行過濾;
（3）推薦的新穎性。
正因為如此，協同過濾在商業應用上也取得了不錯的成績。Amazon，CDNow，MovieFinder，都採用了協同過濾的技術來提高服務質量。
缺點是:
（1）用戶對商品的評價非常稀疏，這樣基於用戶的評價所得到的用戶間的相似性可能不準確（即稀疏性問題）;
（2）隨著用戶和商品的增多，系統的性能會越來越低;
（3）如果從來沒有用戶對某一商品加以評價，則這個商品就不可能被推薦（即最初評價問題）。
因此，現在的電子商務推薦系統都採用了幾種技術相結合的推薦技術。
案例: AMAZON個性化推薦系統先驅 (基於協同過濾)
AMAZON是一個虛擬的網上書店，它沒有自己的店面，而是在網上進行在線銷售。它提供了高質量的綜合節目資料庫和檢索系統，用戶可以在網上查詢有關圖書的信息。如果用戶需要購買的話，可以把選擇的書放在虛擬購書籃中，最後查看購書籃中的商品，選擇合適的服務方式並且提交訂單，這樣讀者所選購的書在幾天後就可以送到家。
AMAZON書店還提供先進的個性化推薦功能，能為不同興趣偏好的用戶自動推薦盡量符合其興趣需要的書籍。 AMAZON使用推薦軟體對讀者曾經購買過的書以及該讀者對其他書的評價進行分析後，將向讀者推薦他可能喜歡的新書，只要滑鼠點一下，就可以買到該書；AMAZON能對顧客購買過的東西進行自動分析，然後因人而異的提出合適的建議。讀者的信息將被再次保存，這樣顧客下次來時就能更容易的買到想要的書。此外，完善的售後服務也是AMAZON的優勢，讀者可以在拿到書籍的30天內，將完好無損的書和音樂光碟退回AMAZON，AMAZON將原價退款。當然AMAZON的成功還不止於此，如果一位顧客在AMAZON購買一本書，下次他再次訪問時，映入眼簾的首先是這位顧客的名字和歡迎的字樣。

㈢ 基於協同過濾的推薦系統的資料庫在什麼環境平台構建

大體試用了一下三個系統，得出了一個比較粗淺的結論： 、phpcms： phpcms自2007版本開源以後才開始引起廣泛關注，但這次也是頭一次研究。用了幾天，有了一點初步的印象。（以下以2007版為例，2008版尚未正式推出） 粗看起來，phpcms 2007是三者中最為完善的，各項功能考慮的很細致，導致進了新手進了後台先要暈半天才行。各項功能，比如UNIX系統的許可權、模版修改、廣告、商城、信息、單網頁。。。。都做的相當的完備了。 發表文章的關鍵字、作者、來源、自動遠程圖片保存等等，都做的不錯。但是，phpcms發表文章的摘要，似乎是只能自動截取，不能手工設置，靈活性欠佳。 發表的文章可以通過關鍵字來索引相關貼，做的不錯。 支持通行證方式進行論壇和其它系統的整合，可以進行正向和反向兩種方式的整合。但是文檔說的不太清楚，研究了半天才成功。但是反向整合pw5.0.1登錄後自動跳轉不回來。 phpcms 2007的後台安排的太瑣碎，看的頭暈。發一篇文章也要暈半個鍾頭，而且首頁的更新莫不清規律，幻燈片老半天不更新。 phcms盡管功能很強大，但是卻缺少一樣重要的東西：可視化的模版工具，這也是php168和dedecms共同的缺點。在這方面，他們甚至不如剛剛起步的DiyPage好，DiyPage只是一個剛剛具備了雛形的CMS系統，卻擁有一個很方便的後台可視化界面設計工具，即使是菜鳥也可以輕松設計界面（雖然靈活性沒那麼強大，但是足夠你用了）。 phpcms 2007整體以頻道為依據進行組織，即使你不想用頻道，哪也得用，這個已經由不了你了 。所以如果僅僅是一個比較簡單的網站，也用上一個頻道，看起來夠別扭的，這是phpcms 2007最大的缺點，不過看了phpcms 2008beta2發現，phpcms終於解除了這個垃圾限制。 發現phpcms的廣告功能似乎不完善，一個廣告位定義了兩個廣告，不能自動輪換，總是顯示第一個。 phpcms雖然實現了模塊化，但是不管你用不用，一大堆模塊稀里呼嚕就裝上了，看起來很不爽，也不直觀。 phpcms雖然是很早就是商業化運作的軟體，然後開發效率卻是不高，新版本屢屢跳票，影響了它的產品形象，讓開源以來積累的人氣和一些擁躉大失所望。然而最近貼上了六間房以後，資金應該是沒有壓力了，新版本也開始浮出水面，2008beta1已經發布了，可惜問題多多。 phpcms 2008 beta2 在 MySQL4 上還是有使用問題，不過比beta1強一些，beta1直接就安裝不了，不知道正式版是否會正式放棄MySQL4。 phpcms 2008beta2看上去不錯，新功能令人振奮的，界面清爽。以前一團亂麻的後台界面已經打掃干凈了。phpcms 2008的標簽採用了中英文混合的方式，對菜鳥來說更加容易上手，比較新穎。另外，beta2好像是實現了類似php168的可視化模版中的標簽設置方式，雖然不是可視化的設計模版，總歸可以自定義一些元素樣式了。不過這個beta2版也還是頂多算是個預覽版，BUG極多，功能不全。如果准備用phpcms的話，怕是還要大大的等幾天才行。 另外，phpcms官方論壇對免費版的支持很不到位，傷了很多粉絲的心。 2、dedecms 5.1應該是dedecms正式商業化運作以後推出的第一個版本吧？以前的dedecms個體作坊式的發展，由於作者兼職時間和精力不足，導致發展緩慢，新版本頻頻跳票，引起廣大粉絲的強烈不滿，甚至導致柏拉圖和dedecms用家之間的語言沖突。然而dedecms在商業化運作以後，新版本的發布周期大大縮短，產品功能不斷改進，界面美化了很多，人氣和用戶數量大大增長了，現在看發展勢頭不錯。 dedecms的根目錄是最簡單的，只有幾個文件，比以上兩個都強多了，其實這樣不僅看起來清爽，維護起來也方便，值得表揚 dedecms的頻道非常費解，看起來只有頻道模型，要增加頻道就要添加模版文件有點費解，仔細研究發現，這個dedecms其實和php168的方式差不多，任何欄目都可以添加子目錄，綁定域名，其實就和頻道是一個意思，欄目和頻道可以互相轉換。 dedecms的通行證只支持反向整合，就是dedecms可以用服務端的用戶數據登錄。其實所謂整合，一般也就是這樣的。論壇用整站用戶數據的情況恐怕極為少見，對論壇管理也不利。 但是dedecms的通行證整合，需要修改論壇文件，不明白為啥要這樣，是因為論壇的通行證功能還不完善嗎？ dedecms的廣告管理用起來比較麻煩，要先定義標簽，然後手工在模板中插入。好像模版上沒預定義好廣告位置，實在是太不應該了。。。。相當於手動操作，不符合當今歷史潮流啊。而且大家常用的廣告自動輪換功能，也沒有實現。 試用發現，dedecms有時還有一些小毛病，比如遠程附件功能，有時發現無法自動轉存到本地。另外，在模塊數量上，dedecms也無法和php168和phpcms相比，只有文章、下載、圖片、Flash等基本的功能，不知道dedecms 2007發布以後能否有所改觀 dedecms的相關文章、熱點文章等功能，用了靜態生成的方式直接寫入到了HTML文件中，這樣在生成HTML後，無法自動更新，需要經常手工重新生成全部HTML才能更新相關文檔和熱點文檔。但是大量的重復生成所有HTML文件效率太低下了，這方面dedecms不如php168最新添加的相關文章功能，是用JS方式實現的，不需要更新HTML就能自動索取最新的相關文章。但是使用JS方式也存在伺服器效率的問題。 dedecms的首頁、列表頁、還有文章頁都使用了單獨的模板，沒有使用header和footer模板，這樣的好處是可以產生各種風格的頁面（允許首頁、列表頁、內容頁使用不同的風格），但是缺點是修改添加頭部和底部廣告、導航條的時候，相當費勁，要一個一個模板的修改。而且dedecms的版權聲明欄位設置太小，只有250位元組，寫不進去多少內容，頂多能添加個計數器就不錯了。 dedecms起步就用了類似XML標簽方式，而且官方還提供了Dreamweaver的插件來識別標簽，應該說在國內是比較獨到的。但是這種方式也需要新手一定的時間才能適應。同時，dedecms一直缺乏比較完善的文檔，也進一步加大了菜鳥上手的難度。 dedecms最大的問題就是沒有提供類似Diypage的可視化設計方式，因為標簽比較難於上手，對新手來說做模板是很頭疼的問題。 dedecms 5.1比4.0功能有了很多進步，增加DIGG功能，還有類似分類信息之類的功能都實現了。不過也有退步，比如關鍵詞、相關帖功能都嚴重退步了，發帖也很不方便，而且dedecms在商業版本和免費版本之間做功能和代碼區分，也自然會在免費版本上有所縮水。 dedecms商業化發展以後，目前出現的問題是免費版的技術支持做的不太到位，比phpcms強不了多少

㈣ 個性化推薦演算法——協同過濾

有三種：協同過濾
用戶歷史行為
物品相似矩陣

㈤ 推薦系統的研究主要包括哪些方面

推
薦系統的研究主要包括以下幾個方面：
（1）用戶信息獲取和建模。
早期的推薦系統專只需獲取簡單的用戶信屬息，隨著推薦系統
發展，
推薦系統由簡單的信息獲取轉變為和用戶交互的系統，
需要考慮用戶多興趣和用戶興
趣轉變的情況，將數據挖掘應用到用戶信息獲取中，挖掘用戶的隱性需求。
（2）推薦演算法研究。
要實現被顧客接受和認可的個性化推薦，設計准確、高效率的個
性化推薦演算法是核心。基於內容的推薦和協同過濾是最主要的兩種。為了克服各自的缺點，
可以將各種推薦方法混合使用，以提高推薦精度和覆蓋率。同時，信息獲取和人工智慧，以
及模糊推薦等相關領域的引入擴寬了推薦演算法的思路。
（3）推薦系統的評價問題。
要使推薦系統為廣大用戶所接受，必須對推薦系統作出客
觀綜合的評價。
推薦結果的准確性和可信性是非常重要的兩個方面。
如何對推薦結果的准確
性進行判定，
如何把推薦結果展示給用戶以及如何獲取用戶對推薦結果的評價都是需要深入
研究的問題。
（4）
推薦系統的應用和社會影響研究。
需要建立推薦系統在其他應用領域的應用框架，
研究如何與企業其它信息系統的集成。

㈥ 個性化推薦系統的基本框架

個性化推薦系統的基本框架如下：
參考國內最具代表性的百分點推薦系統框架來講，個性化推薦系統的推薦引擎在個性化演算法的框架基礎之上，還引入場景引擎、規則引擎和展示引擎，形成全新的百分點推薦引擎的技術框架，系統通過綜合並利用用戶的興趣偏好、屬性，商品的屬性、內容、分類，以及用戶之間的社交關系等等，挖掘用戶的喜好和需求，主動向用戶推薦其感興趣或者需要的商品。
基於雲計算的個性化推薦平台。消除數據孤島，建立基於用戶全網興趣偏好軌跡的精準雲計算分析模型，打通用戶在多個網站的興趣偏好，形成成用戶行為偏好大數據中心。
多種智能演算法庫。基於多維度的數據挖掘、統計分析，進行演算法模型的建立和調優。綜合利用基於內容、基於用戶行為和基於社交關系網路的多種演算法，為用戶推薦其喜歡的商品、服務或內容。
電子商務推薦系統的主要演算法有：
（1） 基於關聯規則的推薦演算法（Association Rule-based Recommendation）
（2） 基於內容的推薦演算法 (Content-based Recommendation)
內容過濾主要採用自然語言處理、人工智慧、概率統計和機器學習等技術進行過濾。
通過相關特徵的屬性來定義項目或對象,系統基於用戶評價對象的特徵學慣用戶的興趣,依據用戶資料與待預測項目的匹配程度進行推薦，努力向客戶推薦與其以前喜歡的產品相似的產品。如新聞組過濾系統News Weeder。
基於內容過濾的系統其優點是簡單、有效。尤其對於推薦系統常見的冷啟動（Cold Start）問題，Content-based方法能夠比較好的進行解決。因為該演算法不依賴於大量用戶的點擊日誌，只需要使用待推薦對象（item）本身的屬性、類目、關鍵詞等特徵，因此該方法在待推薦對象數量龐大、變化迅速、積累點擊數稀少等應用場景下有較好的效果。但該方法的缺點是對推薦物的描述能力有限，過分細化，推薦結果往往局限與原對象相似的類別中，無法為客戶發現新的感興趣的資源,只能發現和客戶已有興趣相似的資源。這種方法通常被限制在容易分析內容的商品的推薦，而對於一些較難提取出內容的商品，如音樂CD、電影等就不能產生滿意的推薦效果。
（3） 協同過濾推薦演算法 （Collaborative Filtering Recommendation）
協同過濾是在信息過濾和信息系統中正迅速成為一項很受歡迎的技術。與傳統的基於內容過濾直接分析內容進行推薦不同，協同過濾分析用戶興趣，在用戶群中找到指定用戶的相似（興趣）用戶，綜合這些相似用戶對某一信息的評價，形成系統對該指定用戶對此信息的喜好程度預測。
與傳統文本過濾相比，協同過濾有下列優點:
1）能夠過濾難以進行機器自動基於內容分析的信息。如藝術品、音樂;
2）能夠基於一些復雜的，難以表達的概念（信息質量、品位)進行過濾;
3）推薦的新穎性。 正因為如此，協同過濾在商業應用上也取得了不錯的成績。Amazon，CDNow，MovieFinder，都採用了協同過濾的技術來提高服務質量。
協同過濾推薦演算法，可進一步細分為基於用戶的協同過濾（user-based collaborative filtering）和基於物品的協同過濾（item-based collaborative filtering）。
基於用戶的協同過濾的基本思想是：根據所有用戶對物品或者信息的偏好，發現與當前用戶口味和偏好相似的「鄰居」用戶群，在一般的應用中是採用計算「K- 鄰居」的演算法；然後，基於這 K 個鄰居的歷史偏好信息，為當前用戶進行物品的推薦。
基於物品的協同過濾的基本原理也類似，該方法根據用戶和物品直接歷史點擊或購買記錄，來計算物品和物品之間的相似度，然後根據用戶的歷史偏好的物品信息，將挖掘到的類似的物品推薦給用戶
基於用戶的協同過濾和基於物品的協同過濾各自有其適用場景。總的來看，協同過濾方法的缺點是:
1）稀疏性問題：如果用戶對商品的評價非常稀疏，這樣基於用戶的評價所得到的用戶間的相似性可能不準確;
2）可擴展性問題：隨著用戶和商品的增多，系統的性能會越來越低;
3）冷啟動問題：如果從來沒有用戶對某一商品加以評價，則這個商品就不可能被推薦。
4）長尾問題：對微小市場的推薦。
因此，現在的電子商務推薦系統都採用了幾種技術相結合的推薦技術。

㈦ 電子商務推薦系統現在有什麼問題

電子商務推薦系統定義為：利用電子商務網站向用戶提供商品信息和建議，幫助客戶決定應該購買什麼產品，模擬銷售人員幫助客戶完成購買過程。它是一個基於客戶網上購物的以商品為推薦對象的個性化推薦系統，為客戶推薦符合其興趣愛好的商品。分析客戶的消費偏向，向每個客戶具有針對性地推薦的產品，幫助客戶從龐大的商品目錄中挑選真正適合自己需要的商品。電子商務推薦系統在幫助了客戶的同時也提高了客戶對商務活動的滿意度,從而換來對電子商務站點的進一步支持。
電子商務推薦系統主要起到了三個方面的作用：首先，極大地增加了客戶，可以把網站的瀏覽者轉變為購買者，提高主動性；其次，可以提高網站相關系列產品的連帶銷售能力；最後，可以提高、維持客戶對網站的滿意度和信任度。
電子商務推薦系統具有良好的發展和應用前景。在日趨激烈的競爭環境下，電子商務推薦系統能有效保留客戶，提高電子商務網站系統能大大提高企業的銷售額。成功的電子商務推薦系統將會產生巨大的經濟效益和社會效應。
電子商務推薦技術
目前,電子商務推薦系統中使用的主要推薦技術有基於內容推薦,協同過濾推薦,基於知識推薦,基於效用推薦，基於關聯規則推薦,混合推薦等等。
1.基於內容的推薦。它是信息過濾技術的延續與發展，項目或對象通過相關特徵的屬性來定義，系統基於商品信息, 包括商品的屬性及商品之間的相關性和客戶的喜好來向其推薦。基於商品屬性主要是基於產品的屬性特徵模型推薦。
內容推薦技術分析商品的屬性及其相關性可以離線進行，因而推薦響應時間快。缺點是難以區分商品信息的品質和風格，而且不能為用戶發現新的感興趣的商品，只能發現和用戶已有興趣相似的商品。
2.協同過濾推薦。協同過濾推薦是目前研究最多、應用最廣的電子商務推薦技術。它基於鄰居客戶的資料得到目標客戶的推薦,推薦的個性化程度高。利用客戶的訪問信息,通過客戶群的相似性進行內容推薦,不依賴於內容僅依賴於用戶之間的相互推薦,避免了內容過濾的不足,保證信息推薦的質量。協同過濾推薦優點有:能為用戶發現新的感興趣的商品;不需要考慮商品的特徵,任何形式的商品都可以推薦。缺點是:稀疏性問題,用戶對商品的評價矩陣非常稀疏;可擴展性問題,隨著系統用戶和商品的增多,系統的性能會越來越低;冷啟動問題,如果從來沒有用戶對某一商品加以評價,則這個商品就不可能被推薦。
3.基於知識的推薦。在某種程度上可以看成是一種推理技術，各個方法因所用的知識不同而有明顯區別。基於知識的推薦提出了功能知識的概念。簡單的說，功能知識是關於某個項目如何滿足某個特定客戶的知識，它能解釋需要和推薦之間的關系。在基於知識的推薦看來，客戶資料可以是任何能支持推理的知識結構，並非一定是用戶的需要和偏好。
4.基於效用的推薦。它是根據對客戶使用項目的效用進行計算的，核心問題是如何為每個客戶創建效用函數，並考慮非產品屬性，如提供商的可靠性和產品的可用性等。它的優點是能在效用函數中考慮非產品因素。效用函數通過交互讓用戶指定影響因素及其權重對於大多數用戶而言是極其繁瑣的事情，因而限制了該技術的應用。
5.基於關聯規則的推薦系統往往利用實際交易數據作為數據源，它符合數據源的通用性要求。以關聯規則為基礎，把已購商品作為規則頭,推薦對象作為規則體,其中關聯規則的發現最關鍵且最耗時,但可以離線進行。其特點是實現起來比較簡潔,推薦效果良好,並能動態地把客戶興趣變化反映到推薦結果中。
6.混合推薦技術。混合推薦系統整合兩種或更多推薦技術以取得更好的實際效果。最常見的做法是將協同過濾推薦技術與其它某一種推薦技術相結合。例如,結合基於協同過濾和基於內容推薦這兩種推薦技術,盡量利用它們的優點而避免其缺點,提高推薦系統的性能和推薦質量。比如,為了克服協同過濾的稀疏性問題,可以利用用戶瀏覽過的商品預期用戶對其他商品的評價,這樣可以增加商品評價的密度,利用這些評價再進行協同過濾,從而提高協同過濾的性能。
電子商務推薦系統，一方面有助於電子商務網站內容和結構自適應性的實現，另一方面在幫助客戶快速定位感興趣的商品的同時也為企業實現了增值。電子商務推薦系統作為有利的分析工具和促銷手段，已成為電子商務網站的競爭工具，必將獲得廣泛的應用和發展。本文對電子商務推薦系統進行了介紹，並對推薦技術進行了概述。目前國內的電子商務網站在這方面的實踐處在快速發展的階段，因此還需要繼續研究出更智能、更優化的電子商務推薦技術。

㈧ 推薦演算法的主要推薦方法的對比

各種推薦方法都有其各自的優點和缺點，見表1。 表1 主要推薦方法對比 推薦方法優點缺點基於內容推薦推薦結果直觀，容易解釋；不需要領域知識 新用戶問題；復雜屬性不好處理；
要有足夠數據構造分類器 協同過濾推薦新異興趣發現、不需要領域知識；隨著時間推移性能提高；
推薦個性化、自動化程度高；
能處理復雜的非結構化對象 稀疏問題；可擴展性問題；
新用戶問題；
質量取決於歷史數據集；
系統開始時推薦質量差； 基於規則推薦能發現新興趣點；不要領域知識 規則抽取難、耗時；產品名同義性問題；
個性化程度低； 基於效用推薦無冷開始和稀疏問題；對用戶偏好變化敏感；
能考慮非產品特性 用戶必須輸入效用函數；推薦是靜態的，靈活性差；
屬性重疊問題； 基於知識推薦能把用戶需求映射到產品上；能考慮非產品屬性 知識難獲得；推薦是靜態的

㈨ 我想用協同過濾的演算法寫了一個java語言的圖書推薦系統.能跟我講一下大概要怎麼做嗎.有點沒頭緒

針對完全沒有編程經驗的初學者，java入門沒什麼特別好的書，找點視頻看看吧，跟著視頻敲代碼，慢慢就能看懂書了。

----------------------如果堅持要看書的話可以考慮以下----------------------
1. head first java
通俗易懂，重點突出的書，比較薄，適合初學者快速入門，缺點是編輯自以為幽默的加了很多不相乾的段子在裡面，廢話太多。

2. Java A beginner's guide by Herbert Schildt
相比head first java，沒有廢話，語言精煉。

3. 官方的tutorial
免費的，在線閱讀的，也不錯。

4. 瘋狂java講義
如果英文不夠好的話，可以考慮用這本書入門，中文世界裡寫的比較好的

5. Introction to java programming by Y. Daniel Liang
梁勇這本書比較厚，講演算法比較多，如果你時間充足的話可以用這本書入門。

----------------------！！一定要避開這兩個大坑！！----------------------
很多人推薦的core java 和 Thinking in java 其實並不適合初學者(沒有編程經驗的)。
1. core java內容太多太雜，沒有突出重點，並且結構組織的像本字典，適合入門了以後用來系統復習。
2. Thinking in java 沒有編程經驗根本看不懂，過幾年再看吧，不看也沒關系。