Å utvikle algoritmer for å anbefale artikler, som nyheter og filmer, til brukerne er en krevende oppgave i mange nettapplikasjoner. Hovedutfordringen består i å rangere elementene basert på brukernes respons på ulike objekter for å optimalisere flere mål. Faglige utfordringer inkluderer høy-dimensjonal prediksjon med spredte data og konstruksjon av høy-dimensjonale sekvensielle design for innsamling av data til brukermodellering og systemdesign. Denne boka gir en grundig behandling av de statistiske problemstillingene som oppstår i anbefalingssystemer og inneholder detaljerte og grundige diskusjoner av nåværende, banebrytende metoder som adaptive sekvensielle design (multi-armed bandit-metoder), bilineære tilfeldige effekter-modeller (matrisefaktorisering), samt skalerbar modelltilpasning ved hjelp av moderne databehandlingsparadigmer som MapReduce. Forfatterne baserer seg på sin omfattende erfaring fra arbeidet med slike storskala systemer hos Yahoo! og LinkedIn, og de bygger bro mellom teori og praksis ved å illustrere komplekse konsepter med eksempler.
