黄昕，赵伟，王本友，吕慧伟，杨敏编著的《推荐系统与深度学习（新时代技术新未来）》一书，这几位作者都在大型互联网公司从事与推荐系统相关的实践与研究，通过这本书，把推荐系统工作经验予以总结，以帮助想从事推荐系统的工作者或推荐系统爱好者。本书的内容设置由浅入深，从传统的推荐算法过渡到近年兴起的深度学习技术。不管是初学者，还是有一定经验的从业人员，相信都能从本书的不同章节中有所收获。
区别于其他推荐算法书籍，本书引入了已被实践证明效果较好的深度学习推荐技术，包括Word2Vec、Wide&Deep、DeepFM、GAN等技术应用，并给出了相关的实践代码；除了在算法层面讲解推荐系统的实现，还从工程层面详细阐述推荐系统如何搭建。

第1章 什么是推荐系统
1.1 推荐系统的概念
1.1.1 推荐系统的基本概念
1.1.2 深度学习与推荐系统
第2章 深度神经网络
2.1 什么是深度学习
2.1.1 深度学习的三次兴起
2.1.2 深度学习的优势
2.2 神经网络基础
2.2.1 神经元
2.2.2 神经网络
2.2.3 反向传播
2.2.4 优化算法
2.3 卷积网络基础
2.3.1 卷积层
2.3.2 池化层
2.3.3 常见的网络结构
2.4 循环网络基础
2.4.1 时序反向传播算法
2.4.2 长短时记忆网络
2.5 生成对抗基础
2.5.1 对抗博弈
2.5.2 理论推导
2.5.3 常见的生成对抗网络
第3章 TensorFlow平台
3.1 什么是TensorFlow
3.2 TensorFlow安装指南
3.2.1 Windows环境安装
3.2.2 Linux环境安装
3.3 TensorFlow基础
3.3.1 数据流图
3.3.2 会话
3.3.3 图可视化
3.3.4 变量
3.3.5 占位符
3.3.6 优化器
3.3.7 一个简单的例子
3.4 其他深度学习平台
第4章 推荐系统的基础算法
4.1 基于内容的推荐算法
4.1.1 基于内容的推荐算法基本流程
4.1.2 基于内容推荐的特征提取
4.2 基于协同的推荐算法
4.2.1 基于物品的协同算法
4.2.2 基于用户的协同算法
4.2.3 基于用户协同和基于物品协同的区别
4.2.4 基于矩阵分解的推荐方法
4.2.5 基于稀疏自编码的推荐方法
4.3 基于社交网络的推荐算法
4.3.1 基于用户的推荐在社交网络中的应用
4.3.2 node2vec技术在社交网络推荐中的应用
4.4 推荐系统的冷启动问题
4.4.1 如何解决推荐系统冷启动问题
4.4.2 深度学习技术在物品冷启动上的应用
第5章 混合推荐系统
5.1 什么是混合推荐系统
5.1.1 混合推荐系统的意义
5.1.2 混合推荐系统的算法分类
5.2 推荐系统特征处理方法
5.2.1 特征处理方法
5.2.2 特征选择方法
5.3 常见的预测模型
5.3.1 基于逻辑回归的模型
5.3.2 基于支持向量机的模型
5.3.3 基于梯度提升树的模型
5.4 排序学习
5.4.1 基于排序的指标来优化
5.4.2 L2R算法的三种情形
第6章 基于深度学习的推荐模型
6.1 基于DNN的推荐算法
6.2 基于DeepFM的推荐算法
6.3 基于矩阵分解和图像特征的推荐算法
6.4 基于循环网络的推荐算法
6.5 基于生成对抗网络的推荐算法
6.5.1 IRGAN的代码实现
第7章 推荐系统架构设计
7.1 推荐系统基本模型
7.2 推荐系统常见架构
7.2.1 基于离线训练的推荐系统架构设计
7.2.2 面向深度学习的推荐系统架构设计
7.2.3 基于在线训练的推荐系统架构设计
7.2.4 面向内容的推荐系统架构设计
7.3 推荐系统常用组件
7.3.1 数据上报常用组件
7.3.2 离线存储常用组件
7.3.3 离线计算常用组件
7.3.4 在线存储常用组件
7.3.5 模型服务常用组件
7.3.6 实时计算常用组件
7.4 推荐系统常见问题
7.4.1 实时性
7.4.2 多样性
7.4.3 曝光打击和不良内容过滤
7.4.4 评估测试
后记