本書綜合梳理了多個智能推薦問題和相關技術，分析了方法的優缺點和內在聯繫，並在每章結束時提供了詳細的參考文獻和有針對性的習題。本書可以作為計算機科學與技術、軟件工程等相關專業的研究生和高年級本科生的教材，也可以作為推薦繫統工程師的參考手冊。為了方便讀者查閱資料和擴展閱讀，本書附錄給出了部分知名學術期刊和學術會議的列表、推薦繫統國際會議（ACM RecSys）歷年征文通知中的研究話題和研討會的主題以及書中涉及的中英文術語對照表。

●第1章 概述
1.1 推薦技術簡介
1.2 推薦問題分類
1.3 數學基礎知識
1.3.1 線性代數
1.3.2 概率論
1.3.3 神經網絡中的激活函數
1.4 常用數據集和驗證方法
1.4.1 常用數據集
1.4.2 驗證方法
1.5 常用評價指標
1.5.1 面向評分預測的評價指標
1.5.2 面向物品排序的評價指標
1.6 深度學習平臺簡介
1.7 本章小結
1.8 參考文獻
1.9 習題
第2章 基於顯式反饋的評分預測
2.1 協同過濾（CF）問題
2.2 基於均值填充的方法
2.2.1 預測公式
2.2.2 討論
2.3 基於鄰域的方法
2.3.1 基於用戶的協同過濾
2.3.2 基於物品的協同過濾
2.3.3 混合協同過濾
2.3.4 討論
2.4 基於矩陣分解的方法
2.4.1 概率矩陣分解
2.4.2 改進的奇異值分解
2.4.3 結合多類偏好上下文的矩陣分解
2.4.4 因子分解機
2.5 基於深度學習的方法
2.5.1 受限玻爾茲曼機
2.5.2 自編碼器
2.6 本章小結
2.7 參考文獻
2.8 習題
第3章 基於顯式反饋的物品排序
3.1 協同排序（CR）問題
3.2 粗精遷移排序
3.2.1 模型介紹
3.2.2 算法流程
3.2.3 代碼實現
3.2.4 實驗設置
3.2.5 討論
3.3 上下文感知協同排序
3.3.1 模型介紹
3.3.2 算法流程
3.3.3 代碼實現
3.3.4 實驗設置
3.3.5 討論
3.4 整全遷移排序
3.4.1 模型介紹
3.4.2 基於模型的整全遷移排序
3.4.3 基於鄰域的整全遷移排序
3.4.4 代碼實現
3.4.5 實驗設置
3.4.6 討論
3.5 本章小結
3.6 參考文獻
3.7 習題
第4章 基於隱式反饋的物品排序
4.1 單類協同過濾（OCCF）問題
4.2 基於熱度的方法
4.3 基於鄰域的方法
4.3.1 相似度度量
4.3.2 預測公式
4.4 基於矩陣分解的方法
4.4.1 貝葉斯個性化排序
4.4.2 分解的物品相似度
4.4.3 基於對數幾率損失的矩陣分解
4.4.4素的交替最小二乘
4.5 基於深度學習的方法
4.5.1 神經協同過濾
4.5.2 協同降噪自編碼器
4.5.3 變分自編碼器
4.6 本章小結
4.7 參考文獻
4.8 習題
第5章 基於異構反饋的評分預測
5.1 異構協同過濾（HCF）問題
5.2 遷移共同分解
5.2.1 技術細節
5.2.2 算法流程
5.2.3 代碼實現
5.2.4 實驗設置
5.2.5 討論
5.3 偏好感知遷移
5.3.1 技術細節
5.3.2 算法流程
5.3.3 代碼實現
5.3.4 實驗設置
5.3.5 討論
5.4 本章小結
5.5 參考文獻
5.6 習題
第6章 基於異構反饋的物品排序
6.1 異構單類協同過濾（HOCCF）問題
6.2 基於全量的異構反饋建模
6.2.1 技術細節
6.2.2 算法流程
6.2.3 代碼實現
6.2.4 實驗設置
6.2.5 討論
6.3 基於角色的異構反饋建模
6.3.1 技術細節
6.3.2 算法流程
6.3.3 代碼實現
6.3.4 實驗設置
6.3.5 討論
6.4 基於關繫的異構反饋建模
6.4.1 技術細節
6.4.2 代碼實現
6.4.3 實驗設置
6.4.4 討論
6.5 其他異構反饋建模方法
6.5.1 基於矩陣分解的方法
6.5.2 基於遷移學習的方法
6.5.3 基於深度學習的方法
6.6 本章小結
6.7 參考文獻
6.8 習題
第7章 單行為序列推薦
7.1 序列單類協同過濾（SOCCF）問題
7.2 基於分解馬爾可夫鏈的FPMC算法
7.2.1 預測公式和優化目標
7.2.2 梯度、更新公式和算法流程
7.2.3 實驗設置
7.2.4 討論
7.3 基於分解高階馬爾可夫鏈的Fossil算法
7.3.1 預測公式和優化目標
7.3.2 梯度、更新公式和算法流程
7.3.3 實驗設置
7.3.4 討論
7.4 基於雙向物品相似度的BIS算法
7.4.1 BIS算法的原理
7.4.2 BIS算法的實現
7.4.3 討論
7.5 基於循環神經網絡的GRU4Rec算法
7.5.1 GRU4Rec算法的原理
7.5.2 GRU4Rec算法的實現
7.5.3 討論
7.6 基於卷積神經網絡的Caser算法
7.6.1 Caser算法的原理
7.6.2 Caser算法的實現
7.6.3 討論
7.7 基於自注意力網絡的SASRec算法
7.7.1 SASRec算法的原理
7.7.2 SASRec算法的實現
7.7.3 討論
7.8 基於平移空間的TransRec算法
7.8.1 預測公式與優化目標
7.8.2 梯度、更新公式與算法流程
7.8.3 實驗設置
7.8.4 討論
7.9 本章小結
7.10 參考文獻
7.11 習題
第8章 多行為序列推薦
8.1 序列異構單類協同過濾（SHOCCF）問題
8.2 基於循環神經網絡的方法
8.2.1 RLBL算法
8.2.2 RIB算法
……

本書圍繞電商、資訊等眾多實際應用背後的內核，即智能推薦技術，繫統介紹經典和前沿技術，包括基於鄰域、矩陣分解、深度學習、遷移學習、聯邦學習等的建模方法和推薦算法。本書圍繞用戶行為數據的建模問題組織內容，全書共分6部分：第1部分（第1章）為背景和基礎；第2部分（第2~4章）為單行為推薦，是指僅對一種顯式反饋（如評分）或一種隱式反饋（如瀏覽）數據進行建模；第3部分（第5~6章）為多行為推薦，是指同時考慮瀏覽和購買等包含多種行為的數據；第4部分（第7~8章）為序列推薦，是指同時關注用戶行為和這些行為的先後順序；第5部分（第9~10章）為聯邦推薦，更加關注用戶行為中的隱私和數據安全問題；第6部分（第11章）為總結與展望。全書綜合梳理了多個智能推薦問題和相關技術，分析了方法的優缺點和內在聯繫，並在每章結束時提供了詳細的參考文獻和有針對性的習題。本書可以作為計算機科學與技術、軟件工程等相關專業的研究生和等

潘微科,林晶,明仲 著