"重温经典技术，推知前沿进展
详细阐述推荐系统基本原理、落地经验与前沿技术进展
深入浅出推荐系统的技术发展脉络
揭秘工业级推荐系统的构建方法"

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 推荐系统发展历史
1.1.1 基于内容的推荐算法
1.1.2 基于协同过滤的推荐算法
1.1.3 基于深度学习的推荐算法
1.2 推荐系统原理
1.2.1 机器学习视角下的推荐系统
1.2.2 深度学习推荐系统新范式
1.2.3 推荐系统常见架构
1.3 推荐系统应用价值
1.3.1 推荐系统的业务价值
1.3.2 推荐、搜索与广告
1.3.3 推荐系统的行业应用
1.4 小结
第2章 经典推荐算法
2.1 基于内容的推荐算法
2.1.1 基于结构化内容的推荐
2.1.2 基于非结构化内容的推荐
2.1.3 基于内容推荐的优势与局限
2.2 基于协同过滤的推荐算法
2.2.1 基于记忆的协同过滤算法
2.2.2 矩阵分解方法与因子分解机方法
2.3 小结
第3章 深度学习基础
3.1 神经网络与前馈计算
3.2 反向传播算法
3.3 多种深度神经网络
3.3.1 卷积神经网络
3.3.2 循环神经网络
3.3.3 注意力机制
3.3.4 序列建模与预训练
3.4 小结
第4章 基于深度学习的推荐算法
4.1 深度学习与协同过滤
4.1.1 基于受限玻尔兹曼机的协同过滤
4.1.2 基于自编码器的协同过滤
4.1.3 深度学习与矩阵分解
4.1.4 基于邻域的深度协同过滤
4.2 深度学习与特征交互
4.2.1 AFM模型
4.2.2 PNN模型
4.2.3 Wide＆Deep模型
4.2.4 DeepFM模型
4.2.5 DCN模型
4.2.6 xDeepFM模型
4.2.7 AutoInt模型
4.2.8 特征交互的其他思路
4.3 图表示学习与推荐系统
4.3.1 图嵌入和图神经网络基础
4.3.2 图神经网络与协同过滤
4.3.3 图神经网络与社会化推荐
4.4 序列与基于会话的推荐
4.4.1 序列推荐的动机、定义与分类
4.4.2 序列推荐算法的分类
4.4.3 基于循环神经网络的序列推荐
4.4.4 基于非自回归神经网络的序列建模
4.4.5 基于自注意力机制的序列推荐
4.4.6 基于记忆神经网络的序列推荐
4.4.7 用户、物品双序列建模
4.5 结合知识图谱的推荐系统
4.5.1 加强用户——物品交互建模
4.5.2 图谱建模与物品推荐的联合学习
4.5.3 知识图谱增强物品的表示
4.5.4 可解释性
4.6 基于强化学习的推荐算法
4.6.1 基于多臂老虎机的推荐算法
4.6.2 强化学习基础
4.6.3 基于强化学习的推荐算法
4.6.4 深度强化学习的建模与优化
4.7 小结
第5章 推荐系统前沿话题
5.1 推荐算法研究热点
5.1.1 基于对话的推荐
5.1.2 因果推荐
5.1.3 常识推荐
5.2 推荐系统应用挑战
5.2.1 多源数据融合
5.2.2 可扩展性
5.2.3 功能性评估
5.2.4 冷启动问题
5.3 负责任的推荐
5.3.1 用户隐私
5.3.2 可解释性
5.3.3 算法偏见
5.4 小结
第6章 推荐系统实践
6.1 工业级推荐系统实现与架构
6.1.1 工业级推荐系统的基本特征
6.1.2 推荐系统的常见架构
6.1.3 推荐系统的工业实现
6.2 推荐系统典型应用实践
6.2.1 数据管理与预处理
6.2.2 算法选择与模型训练
6.2.3 评估指标与评估方式
6.3 基于云平台的推荐系统开发与运维
6.3.1 基于云平台的推荐系统的优点
6.3.2 基于云平台的推荐系统开发与运维
6.4 总结
第7章 总结与展望
参考文献

"在互联网时代，推荐系统具有巨大的商业价值和社会影响力。三十年来，推荐系统受到学术界与工业界的持续关注。本书的作者们活跃在推荐系统领域的研发前沿，具有第一线的视角和经验。本书从经典推荐算法入手，深入介绍了基于深度学习的推荐技术，并结合知名开源项目Microsoft?Recommenders的实践，向读者们展示了推荐系统领域的全景。
杨??强
加拿大工程院及加拿大皇家科学院两院院士
微众银行首席人工智能官，香港科技大学讲席教授

本书是推荐系统领域的一本亟需之作。谢幸博士是靠前的推荐系统专家，他和合作者们基于过往研究经历与所开发的开源项目，深入浅出地介绍推荐系统的基础知识、原理和实践经验。本书受众广泛，适合初学者、技术人员及研究人员阅读。任何想要了解推荐系统基本原理、实践经验及未来发展方向的读者都适合阅读本书。
刘??欢
美国亚利桑那州立大学教授，ACM?Fellow

推荐系统是人工智能的重要应用领域，如何构造实用的推荐系统是大家都关心的问题。本书作者相关研发团队在推荐系统领域积累深厚，不少领域中的重要模型就是由他们提出的。本书对推荐系统的主要技术发展脉络进行了深入浅出的梳理和讲解，重点介绍了深度学习相关的前沿方向，理论与实践兼备，是推荐领域的佳作。
张俊林
新浪微博机器学习团队AI?Lab负责人"