本书是一本介绍推荐算法的基础教材，采用了“理论+实践”的形式组织内容。本书前6章用通俗易懂的方式介绍了经典推荐算法（主要包括基于内容的推荐算法、基于用户的协同过滤推荐算法、基于物品的协同过滤推荐算法、基于矩阵分解的协同过滤推荐算法、基于深度学习的推荐算法、混合推荐算法，以及推荐算法的评估）。本书后5章的推荐算法案例都是较为完整的推荐系统案例，核心代码非常精简，并易于在实际中扩展，可以说是入门级学习者必备的阅读资料。
本书适合高年级本科生、高校教师、研究生等学习，也可作为初人职场的推荐算法工程师的参考书。

第一部分 推荐算法理论部分
第1章 推荐算法基础
1.1 推荐算法的定义
1.2 推荐系统发展简史
1.3 推荐系统分类
1.3.1 基于内容的推荐算法
1.3.2 基于协同过滤的推荐算法
1.3.3 混合推荐算法
1.3.4 特定推荐算法
1.4 推荐系统与搜索引擎的关系
1.5 推荐算法的应用
1.5.1 新闻的推荐
1.5.2 视频的推荐
1.5.3 商品的推荐
1.5.4 短视频的推荐
1.5.5 社交媒体的推荐
第2章 基于内容的推荐算法
2.1 TF-IDF计算内容相似
2.1.1 TF-IDF的概念
2.1.2 计算文章相似性
2.1.3 TF-IDF算法的实现
2.2 用Word2Vec计算内容相似
2.2.1 CBOW One-Word Context模型
2.2.2 CBOW Multi-Word Context模型
2.2.3 Skip-Gram模型
2.3 算法优化
2.3.1 分层Softmax
2.3.2 负采样
2.3.3 对高频词进行下采样
2.4 基于内容的推荐算法的过程
2.4.1 内容表征
2.4.2 特征学习
2.4.3 生成推荐列表
第3章 协同过滤推荐算法
3.1 基于用户的协同过滤推荐算法
3.1.1 基础算法
3.1.2 用户相似度计算的改进
3.1.3 UserCF推荐算法的详细过程
3.2 基于物品的协同过滤推荐算法
3.2.1 基于用户的协同过滤推荐算法和基于物品的协同过滤推荐算法的区别
3.2.2 基础算法
3.2.3 用户活跃度对物品相似度的影响
3.2.4 物品相似度的归一化
3.2.5 ItemCF推荐算法的详细过程
3.3 基于矩阵分解的协同过滤推荐算法
3.3.1 显式数据和隐式数据
3.3.2 显式矩阵分解
3.3.3 隐式矩阵分解
3.3.4 增量矩阵分解算法
3.3.5 推荐结果的可解释性
第4章 基于深度学习的推荐算法
4.1 深度学习的定义
4.2 基于深度学习的推荐
4.2.1 DNN算法
4.2.2 DeepFM算法
4.2.3 基于矩阵分解和图像特征的推荐
4.2.4 基于循环神经网络的推荐
4.2.5 基于生成式对抗网络的推荐
第5章 混合推荐算法
5.1 混合推荐系统概述
5.1.1 混合推荐的意义
5.1.2 混合推荐算法的分类
5.2 推荐系统特征处理方法
5.2.1 特征处理方法
5.2.2 特征选取方法
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3种情形
第6章 推荐算法的评估
6.1 可解释性
6.2 算法评价
6.3 研究前景
第二部分 推荐算法应用案例
第7章 基于内容的推荐案例
7.1 数据集
7.2 数据预处理
7.3 使用mysql存储数据
7.4 分词
7.5 基于TF-IDF的推荐
7.6 训练词向量
7.7 基于Word2Vec的推荐
第8章 基于用户的协同过滤推荐案例
8.1 导人数据
8.2 用户相似度计算
8.3 物品评分排名
8.4 推荐主函数
第9章 基于物品的协同过滤推荐案例
9.1 基本概念
9.2 基于物品的推荐
第10章 基于矩阵分解的推荐案例
10.1 利用梯度下降法对矩阵进行分解
10.2 基于非负矩阵分解的推荐
第11章 基于深度学习的推荐案例
11.1 数据集
11.2 基于线性模型的简单案例
11.3 基于文本卷积神经网络的推荐
11.3.1 数据预处理
11.3.2 模型训练
11.3.3 模型预测
11.3.4 推荐排序
11.3.5 PyQt5界面开发
参考文献