推荐系统(前沿与实践)/人工智能前沿技术丛书

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