本书介绍了解决信息过载问题常用的两种技术：推荐引擎和搜索引擎。为了有效提高推荐和搜索的精确度，融合多源异构数据成为重要手段，不同来源和不同结构的数据含有不同的语义信息，数据的融合为推荐和搜索提供了更丰富的语义，有效提高了推荐和检索的精确度。本书基于作者团队多年的研究成果，介绍了推荐和检索领域的最新发展、常用的技术和算法，提出了融合多源异构数据的推荐模型、跨模态的检索模型。本书的内容反映了本领域的最新发展。
本书可供研究融合多源异构数据技术、个性化推荐技术、跨模态检索技术的科研人员、公司研发人员、高等院校研究生阅读参考。

冀振燕，副教授，博士生导师。CCF理论计算机专委会委员。1999年7月于中国科学院软件研究所取得博士学位；1999年11月至2000年6月在挪威科技大学作博士后；2000年7月至2008年9月在瑞典Mid-Sweden大学任教；2008年10月至2009年3月在北京工业大学软件学院工作；2009年4月至今在北京交通大学软件学院工作。参与国家级、教育部lBM精品课程“软件系统分析与设计技术”的建设，参与国家级、北京市级教学团队的建设。研究方向：人工智能、计算机视觉、软件服务工程、分布式系统等。承担了多项国家级、省部级科研项目以及企业项目，目前已在国内外知名期刊会议发表论文数十篇，出版书籍多部。

第1章 绪论
1.1 推荐与检索
1.1.1 推荐
1.1.2 检索
1.2 多源异构数据融合的优势与挑战
1.2.1 基于推荐的多源异构数据融合的优势与挑战
1.2.2 基于检索的多源异构数据融合的优势与挑战
1.3 本章小结
第2章 推荐与检索技术
2.1 推荐技术
2.1.1 基于内容的推荐
2.1.2 协同过滤推荐
2.1.3 基于深度学习的推荐
2.1.4 推荐系统评价指标
2.1.5 基于评测方法的评价指标
2.2 检索技术
2.2.1 基于文本的检索
2.2.2 基于内容的检索
2.2.3 基于语义的检索
2.2.4 基于上下文的检索
2.2.5 基于示例的检索
2.2.6 多模态跨模态检索
2.2.7 个性化检索
2.3 本章小结
第3章 个性化推荐与检索
3.1 基于内容的个性化图像推荐与检索
3.1.1 用户兴趣获取
3.1.2 用户兴趣表示
3.1.3 个性化实现
3.2 基于协同过滤的个性化图像推荐与检索
3.2.1 基于用户的协同过滤
3.2.2 基于物品的协同过滤
3.2.3 基于模型的协同过滤
3.3 个性化图像推荐与检索方法对比
3.4 本章小结
第4章 基于传统机器学习的多源异构数据推荐模型
4.1 问题描述
4.2 相关算法
4.2.1 Word2Vector
4. 2.2 Online LDA
4.2.3 CNM
4.2.4 CoDA
4.3 推荐流程
4.4 推荐模型
4.4.1 评论特征提取
4.4.2 社区发现
4.4.3 模型训练
4.4.4 特征混合
4.4.5 预测和评价
4.5 Spark实现
4.6 数据集
4.7 实验
4.7.1 实验环境
4.7.2 实验一
4.7.3 实验二
4.8 本章小结
第5章 基于深度学习的融合多源异构数据推荐
5.1 问题描述
5.2 基于社区发现的多源异构数据推荐
5.2.1 相关算法
5.2.2 基于社区发现的推荐模型
5.3 基于社交关系的多源异构数据推荐
5.3.1 相关算法
5.3.2 基于社交关系的推荐模型
5.3.3 基于社交关系的推荐模型对比实验
5.4 可扩展的基于社交关系的多源异构数据推荐
5.4.1 优化过程
5.4.2 推荐模型
5.4.3 实验结果及分析
5.5 本章小结
第6章 基于深度哈希图像-文本跨模态检索
6.1 问题描述
6.2 相关算法
6.2.1 基于传统统计相关分析的方法
6.2.2 基于深度学习的方法
6.2.3 多标签学习
6.3 多层语义跨模态深度哈希算法
6.3.1 深度特征提取模块
6.3.2 相似度矩阵生成模块
6.3.3 哈希码学习模块
6.3.4 优化方法
6.3.5 检索模型
6.4 图像-文本跨模态检索模型对比实验
6.4.1 实验数据集
6.4.2 基准方法
6.4.3 评价指标
6.4.4 实验结果及分析
6.5 本章小结
第7章 基于多模态数据的餐馆推荐系统的实现
7.1 软件简介
7.2 软件设计
7.3 软件实现
7.4 软件展示
7.5 本章小结
第8章 总结与展望
8.1 总结
8.2 展望
参考文献