推荐系统是互联网时代极具商业价值的人工智能应用之一，30 年来持续受到学术界和工业界的广泛关注。本书作者以一线研发人员的视角和经验，对推荐系统进行总结，尝试从原理与实践两个角度为读者剖析推荐系统。本书首先从原理上介绍各类经典推荐算法及前沿的深度学习推荐算法，然后分析推荐系统领域发展的前沿话题和未来方向，最后结合微软的开源项目Microsoft Recommenders 介绍推荐系统的实践经验。读者可以基于本书提供的源代码，深入学习推荐算法的设计原理和实践方式，并可以基于本书从零开始快速搭建一个准确、高效的推荐系统。

本书不仅适合互联网、大数据等相关领域技术人员阅读，也适合高等院校计算机、软件工程、人工智能等专业的本科生和研究生参考。

序

前言

第1 章推荐系统概述1

1.1 推荐系统发展历史/2

1.1.1 基于内容的推荐算法/2

1.1.2 基于协同过滤的推荐算法/3

1.1.3 基于深度学习的推荐算法/5

1.2 推荐系统原理/6

1.2.1 机器学习视角下的推荐系统/6

1.2.2 深度学习推荐系统新范式/12

1.2.3 推荐系统常见架构/15

1.3 推荐系统应用价值/17

1.3.1 推荐系统的业务价值/17

1.3.2 推荐、搜索与广告/19

1.3.3 推荐系统的行业应用/20

1.4 小结/22

第2 章经典推荐算法/25

2.1 基于内容的推荐算法/26

2.1.1 基于结构化内容的推荐/27

2.1.2 基于非结构化内容的推荐/33

2.1.3 基于内容推荐的优势与局限/41

2.2 基于协同过滤的推荐算法/42

2.2.1 基于记忆的协同过滤算法/42

2.2.2 矩阵分解方法与因子分解机方法/50

2.3 小结/58

第3 章深度学习基础/59

3.1 神经网络与前馈计算/60

3.2 反向传播算法/61

3.3 多种深度神经网络/64

3.3.1 卷积神经网络/64

3.3.2 循环神经网络/68

3.3.3 注意力机制/72

3.3.4 序列建模与预训练/75

3.4 小结/78

第4 章基于深度学习的推荐算法/79

4.1 深度学习与协同过滤/80

4.1.1 基于受限玻尔兹曼机的协同过滤/80

4.1.2 基于自编码器的协同过滤/82

4.1.3 深度学习与矩阵分解/84

4.1.4 基于邻域的深度协同过滤/87

4.2 深度学习与特征交互/88

4.2.1 AFM 模型/88

4.2.2 PNN 模型/89

4.2.3 Wide & Deep 模型/91

4.2.4 DeepFM 模型/93

4.2.5 DCN 模型/94

4.2.6 xDeepFM 模型/96

4.2.7 AutoInt 模型/99

4.2.8 特征交互的其他思路/100

4.3 图表示学习与推荐系统/100

4.3.1 图嵌入和图神经网络基础/101

4.3.2 图神经网络与协同过滤/106

4.3.3 图神经网络与社会化推荐/110

4.4 序列与基于会话的推荐/114

4.4.1 序列推荐的动机、定义与分类/114

4.4.2 序列推荐算法的分类/117

4.4.3 基于循环神经网络的序列推荐/122

4.4.4 基于非自回归神经网络的序列建模/125

4.4.5 基于自注意力机制的序列推荐/127

4.4.6 基于记忆神经网络的序列推荐/129

4.4.7 用户、物品双序列建模/133

4.5 结合知识图谱的推荐系统/134

4.5.1 加强用户--物品交互建模/135

4.5.2 图谱建模与物品推荐的联合学习/141

4.5.3 知识图谱增强物品的表示/146

4.5.4 可解释性/151

4.6 基于强化学习的推荐算法/158

4.6.1 基于多臂老虎机的推荐算法/160

4.6.2 强化学习基础/162

4.6.3 基于强化学习的推荐算法/ 164

4.6.4 深度强化学习的建模与优化/166

4.7 小结/170

第5 章推荐系统前沿话题/171

5.1 推荐算法研究热点/172

5.1.1 基于对话的推荐/172

5.1.2 因果推荐/173

5.1.3 常识推荐/174

5.2 推荐系统应用挑战/175

5.2.1 多源数据融合/175

5.2.2 可扩展性/176

5.2.3 功能性评估/178

5.2.4 冷启动问题/179

5.3 负责任的推荐/180

5.3.1 用户隐私/180

5.3.2 可解释性/183

5.3.3 算法偏见/187

5.4 小结/189

第6 章推荐系统实践/191

6.1 工业级推荐系统实现与架构/192

6.1.1 工业级推荐系统的基本特征/192

6.1.2 推荐系统的常见架构/193

6.1.3 推荐系统的工业实现/196

6.2 推荐系统典型应用实践/198

6.2.1 数据管理与预处理/201

6.2.2 算法选择与模型训练/208

6.2.3 评估指标与评估方式/230

6.3 基于云平台的推荐系统开发与运维/236

6.3.1 基于云平台的推荐系统的优点/236

6.3.2 基于云平台的推荐系统开发与运维/237

6.4 总结/241

第7 章总结与展望/243

参考文献247