1.以操作實踐為學習的切入點，而不是直接切入理論講解。
2.以任務為驅動，貫穿知識內容。
3.充分考慮學習者的認知曲線，由淺入深，邊講邊練邊切入理論知識。
4.通過項目實訓訓練技能的綜合使用能力。

全書從推薦繫統的發展歷史、基本構成開始，依次剖析推薦繫統的內容召回、協同過濾召回、深度學習召回中具有代表性的模型；再從經典排序模型到基於深度學習的排序，順勢介紹會話推薦、強化學習推薦及工業級推薦，搭建了完整的推薦繫統技術體繫，這是一個由淺入深的繫統學習過程。
本書的目標讀者應該對深度學習有基本的了解，掌握概率論、線性代數、微積分等學科的基本知識，具備使用Python語言進行編程的基本能力。本書可以作為各大院校人工智能相關專業的教材，也可以作為培訓機構的教材，還適合作為人工智能技術愛好者自學用書。

肖睿，課工場創始人，北京大學教育學博士，北京大學軟件學院特約講師，北京大學學習科學實驗室特約顧問。作為北大青鳥 Aptech 的聯合創始人，歷任學術總監、研究院院長、公司副總裁等核心崗位，擁有20多年的IT職業教育產品管理和企業管理經驗。於2015年創辦課工場，兼任總經理，旨在為大學生提供更可靠的 IT 就業教育及服務。

第 1章 推薦繫統簡介．．．1
技能目標．．．1
本章任務．．．1
任務1．1了解推薦繫統的發展歷史 ．．．2
任務1．2掌握推薦繫統的核心要素．．．4
1．2．1用戶．．．4
1．2．2物品和內容 ．．．4
1．2．3事件．． ．5
1．2．4語境．．．6
任務1．3掌握推薦繫統的基本構成．．．6
1．3．1召回模塊 ．．．8
1．3．2排序模塊．．．13
1．3．3過濾模塊．．．14
任務1．4了解推薦繫統的新發展．．．15
1．4．1基於會話的推薦繫統．．．15
1．4．2強化學習與推薦繫統．．．17
任務1．5認清推薦繫統的發展方向．．．17
本章小結．．．18
本章習題．．．18
第2章 搭建試驗平臺．．．19
技能目標．．．19
本章任務．．．19
任務2．1安裝和配置Anaconda ．．．20
2．1．1下載並安裝Anaconda ．．．21
2．1．2新建環境．．．22
2．1．3管理環境．．．23
2．1．4添加國內的安裝源 ．．．25
2．1．5安裝scikit-surprise軟件包．．．26
2．1．6安裝其他軟件包 ．．．27
任務2．2獲取試驗數據集MovieLens．．．28
2．2．1下載數據集 ．．．28
2．2．2檢查文件內容 ．．．29
2．2．3分析評分數據．．．31
任務2．3安裝集成開發環境PyCharm．．．35
2．3．1下載PyCharm ．．．35
2．3．2創建項目Recommender ．．．35
2．3．3創建測試文件 ．．．37
任務2．4測試集成開發環境Spyder．．．38
任務2．5測試Jupyter Notebook ．40
2．5．1安裝並啟動Jupyter Notebook ．41
2．5．2設置根目錄 ．42
2．5．3Jupyter Notebook基本用法 ．．44
2．5．4運行測試文件46
本章小結．47
本章習題．48
第3章推薦繫統的評測 ．49
技能目標．49
本章任務．49
任務3．1學習用戶成長飛輪模型．50
任務3．2掌握推薦繫統的評測方法．51
3．2．1離線測試．．51
3．2．2用戶測試．．52
3．2．3線上測試．．54
任務3．3掌握推薦繫統的評測指標．55
3．3．1預測準確率 ．55
3．3．2覆蓋率．．61
3．3．3多樣性．．62
3．3．4驚喜度．．63
3．3．5新穎度．．64
3．3．6實時性．．65
3．3．7健壯性．．65
3．3．8商業目標．．66
3．3．9小結68
任務3．4實際評測推薦繫統69
3．4．1線下測試．．69
3．4．2線上測試．． 72 本章小結．74
本章習題．74
第4章基於內容的召回 ．75
技能目標．75
本章任務．75
任務4．1掌握物品特征抽取的基本方法 ．．76
4．1．1抽取基本特征77
4．1．2抽取文本特征79
4．1．3抽取圖像特征81
任務4．2掌握相似度的衡量方法．84
4．2．1曼哈頓距離 ．85
4．2．2歐氏距離．．85
4．2．3餘弦相似度 ．86
任務4．3實際開發一款基於內容召回的推薦繫統86
4．3．1準備電影特征87
4．3．2計算電影間的相似度．89
4．3．3預測用戶評分91
4．3．4生成頭部推薦92
任務4．4掌握橫向評測框架的開發和使用方法 ．．93
4．4．1自定義預測算法 ．．93
4．4．2比較控制器 ．95
4．4．3評測內容召回推薦算法97
任務4．5理解基於內容召回的優點和缺點 ．99
4．5．1內容召回的優點 ．．99
4．5．2內容召回的缺點100
本章小結．．100
本章習題．．100
第5章基於協同過濾的召回 ．102
技能目標．．102
本章任務．．102
任務5．1掌握協同過濾的基本思想和主要分類103
任務5．2掌握協同過濾中相似性的衡量方法 ．104
5．2．1行為數據的特點105
5．2．2相似性的衡量 ．105
任務5．3實際開發一款基於用戶的協同過濾推薦繫統．．108
5．3．1創建用戶評分矩陣 ．． 108 5．3．2 創建用戶相似度矩陣．．108
5．3．3尋找相似用戶 ．109
5．3．4根據相似用戶的喜好給出推薦 ．．109
5．3．5排序並過濾推薦電影列表（基於用戶的協同過濾） ．．110
5．3．6運行項目．110
任務5．4實際開發一款基於物品的協同過濾推薦繫統112
5．4．1創建電影評分矩陣113
5．4．2創建電影相似度矩陣114
5．4．3獲取當前用戶喜好114
5．4．4根據用戶喜好給出推薦115
5．4．5排序並過濾推薦電影列表（基於電影的協同過濾） ．．115
5．4．6運行項目．115
任務5．5實際評測協同過濾與評分預測融合模型．．118
5．5．1基於用戶的K最近鄰推薦118
5．5．2基於物品的K最近鄰推薦118
5．5．3評測K最近鄰推薦算法119
本章小結．．120
本章習題．．121
第6章基於深度學習的召回 ．122
技能目標．．122
本章任務．．122
任務6．1掌握並實際評測矩陣分解算法124
任務6．2掌握並實際評測受限玻爾茲曼機算法129
任務6．3掌握並實際評測自動編碼機算法 ．．133
任務6．4掌握優兔基於深度學習的召回模型 ．136
任務6．5了解Netflix的推薦模型139
本章小結．．141
本章習題．．141
第7章經典排序模型142
技能目標．．142
本章任務．．142
任務7．1下載並探索一個排序用數據集143
任務7．2掌握並實際評測邏輯回歸排序算法 ．146
7．2．1邏輯回歸的基本原理．．146
7．2．2邏輯回歸示例代碼 ．．147
任務7．3掌握並實際評測梯度提升決策樹和邏輯回歸融合模型 ．． 150 7．3．1 梯度提升決策樹的工作原理150
7．3．2梯度提升決策樹與邏輯回歸融合模型152
7．3．3梯度提升決策樹和邏輯回歸融合模型的示例代碼．．153
任務7．4掌握並實際評測貝葉斯個性化排序算法．156
7．4．1貝葉斯法則 ．．157
7．4．2貝葉斯個性化排序算法原理162
7．4．3貝葉斯個性化排序示例代碼163
本章小結．．170
本章習題．．170
第8章基於深度學習的排序 ．171
技能目標．．171
本章任務．．171
任務8．1掌握因子分解機的基本原理．172
任務8．2掌握廣度和深度融合模型的基本原理177
任務8．3掌握優兔深度學習排序模型的基本原理．185
本章小結．．187
本章習題．．188
第9章基於會話的推薦 ．．189
技能目標．．189
本章任務．．189
任務9．1了解基於會話的推薦繫統的發展歷史190
任務9．2掌握循環神經網絡在推薦繫統中的應用．192
9．2．1基於門控的推薦繫統 ．．193
9．2．2多會話迷你批處理 ．．194
9．2．3批處理中的負采樣 ．．194
9．2．4排序損失函數的選擇．．195
9．2．5實驗過程195
任務9．3學習將語境信息融入循環神經網絡推薦繫統．．196
9．3．1語境的重要性 ．197
9．3．2語境的融入方法198
9．3．3融合語境的循環神經網絡模型 ．．199
9．3．4實驗過程202
本章小結．．203
本章習題．．204
第10章 基於強化學習的推薦 ．．205
技能目標．．205 本章任務．．205
任務10．1了解在推薦繫統中應用強化學習的背景．．206
任務10．2了解強化學習的技術基礎207
10．2．1情境描述．207
10．2．2策略學習．209
10．2．3用戶長期參與度 ．210
任務10．3深入研究“探索與開采並舉”的強化學習推薦繫統210
10．3．1提升多樣性的強化學習推薦繫統 ．．210
10．3．2試驗過程．213
10．3．3試驗結果．216
本章小結．．217
本章習題．．218
第11章 工業級推薦繫統．219
技能目標．．219
本章任務．．219
任務11．1了解深度規模化稀疏張量網絡引擎220
任務11．2掌握DSSTNE深度學習框架的使用方法221
11．2．1轉換數據 ．224
11．2．2訓練階段 ．224
11．2．3預測階段 ．226
任務11．3了解工業級推薦繫統的架構方法226
11．3．1繫統架構 ．227
11．3．2並行化．．228
11．3．3結束語．．229
本章小結．．229
本章習題．．230