推薦系統是互聯網時代極具商業價值的人工智能應用之一，30 年來持續受到學術界和工業界的廣泛關注。本書作者以一線研發人員的視角和經驗，對推薦系統進行總結，嘗試從原理與實踐兩個角度為讀者剖析推薦系統。本書首先從原理上介紹各類經典推薦算法及前沿的深度學習推薦算法，然后分析推薦系統領域發展的前沿話題和未來方向，最后結合微軟的開源項目Microsoft Recommenders 介紹推薦系統的實踐經驗。讀者可以基于本書提供的源代碼，深入學習推薦算法的設計原理和實踐方式，并可以基于本書從零開始快速搭建一個準確、高效的推薦系統。本書不僅適合互聯網、大數據等相關領域技術人員閱讀，也適合高等院校計算機、軟件工程、人工智能等專業的本科生和研究生參考。
李東勝，博士，微軟亞洲研究院（上海）高級研究經理，復旦大學計算機學院客座教授、兼職博導，中國計算機學會協同計算專業委員會委員。主要研究方向為機器學習理論及應用，尤其是推薦算法的準確性、泛化能力、可擴展性、安全與隱私等。近年來，在PNAS、Nature Cardiovascular Research、ICML、NIPS、ICLR、SIGIR、WWW、KDD等相關領域的會議和期刊上發表論文80余篇。長期擔任ICML、NIPS、ICLR、KDD、AAAI、IJCAI、CIKM等學術會議的程序委員。曾任IBM中國研究院高級研究員，于2016—2019年連續4年獲得IBM杰出技術成就獎，開發的認知推薦引擎在2018年獲得IBM最高獎——IBM Corporate Award。練建勛，博士，畢業于中國科學技術大學，現任微軟亞洲研究院主管研究員。研究方向主要包括推薦系統、用戶建模與深度學習相關技術。在KDD、IJCAI、WWW、SIGIR等多個國際頂級會議上發表了多篇論文，相關的研究成果應用在必應廣告、Xbox游戲和微軟新聞等多個推薦場景上，獲得了顯著的提升效果。張 樂，博士，人工智能架構師/總監，主導面向金融應用的人工智能和機器學習平臺開發。曾任微軟高級數據科學家，負責開發應用于零售、媒體和娛樂行業的工業級推薦系統在Azure云平臺上的產品和解決方案。在人工智能及數據科學在多個行業的應用項目中擔任主要開發和技術負責人。開源項目Microsoft Recommenders的主要參與者之一。曾在KDD、ICDM、WWW等多個人工智能學術會議上發表論文及演講。本科畢業于哈爾濱工業大學，在新加坡南洋理工大學獲得博士學位，曾在美國普渡大學交流訪問。任 侃，博士，現就職于微軟亞洲研究院并擔任高級研究員。主要研究領域包括數據挖掘與機器學習，特別是時空數據挖掘、序列建模與決策優化方法，及其在推薦系統、醫療健康與金融等領域的應用。在數據挖掘與機器學習領域頂級會議和期刊上發表了20余篇論文，包括TKDE、KDD、SIGIR、AAAI、ICLR、ICDM、WSDM、CIKM等。在浙江大學獲得計算機科學與技術工學學士學位，在上海交通大學獲得計算機科學與技術博士學位，并獲得上海交通大學優秀博士學位論文提名。盧 暾，博士，復旦大學計算機科學技術學院教授，博士生導師，美國卡耐基梅隆大學（CMU）訪問學者。現任中國計算機學會（CCF）協同計算專委秘書長、大數據專家委員會通訊委員、高級會員。長期從事CSCW與社會計算、協同計算、推薦系統與人機交互等方面的研究。作為項目負責人承擔多項國家自然科學基金項目、科技部重點研發計劃課題、863課題和上海市項目。研究成果發表在CSCW、CHI、UbiComp、NIPS、WWW、SIGIR、IEEE TKDE等領域權威會議和期刊上。多次擔任CSCW、CHI等的AC，多個國內外學術會議的PC Co-Chair，以及多個國內外學術期刊的AE和GE。鄔 濤，博士，微軟Azure Gaming Services部門數據科學主管。其團隊專注于人工智能技術在游戲開發、內容創作和運營中的應用。領導開發的Microsoft Recommenders開源項目是GitHub上最受歡迎的推薦系統項目。在微軟、諾基亞研究中心和麻省理工學院計算機科學與人工智能實驗室（CSAIL）長期負責研發和團隊管理工作。謝 幸，博士，微軟亞洲研究院首席研究員，中國科學技術大學兼職博士生導師，微軟-中科大聯合實驗室主任，中國計算機學會普適計算專委會副主任。其團隊在數據挖掘、社會計算和普適計算等領域展開研究，在國際會議和學術期刊上發表了300余篇學術論文，共被引用4萬余次。他是中國計算機學會會士、IEEE會士、ACM杰出會員。
序
前言
第1 章推薦系統概述1
1.1 推薦系統發展歷史/2
1.1.1 基于內容的推薦算法/2
1.1.2 基于協同過濾的推薦算法/3
1.1.3 基于深度學習的推薦算法/5
1.2 推薦系統原理/6
1.2.1 機器學習視角下的推薦系統/6
1.2.2 深度學習推薦系統新范式/12
1.2.3 推薦系統常見架構/15
1.3 推薦系統應用價值/17
1.3.1 推薦系統的業務價值/17
1.3.2 推薦、搜索與廣告/19
1.3.3 推薦系統的行業應用/20
1.4 小結/22
第2 章經典推薦算法/25
2.1 基于內容的推薦算法/26
2.1.1 基于結構化內容的推薦/27
2.1.2 基于非結構化內容的推薦/33
2.1.3 基于內容推薦的優勢與局限/41
2.2 基于協同過濾的推薦算法/42
2.2.1 基于記憶的協同過濾算法/42
2.2.2 矩陣分解方法與因子分解機方法/50
2.3 小結/58
第3 章深度學習基礎/59
3.1 神經網絡與前饋計算/60
3.2 反向傳播算法/61
3.3 多種深度神經網絡/64
3.3.1 卷積神經網絡/64
3.3.2 循環神經網絡/68
3.3.3 注意力機制/72
3.3.4 序列建模與預訓練/75
3.4 小結/78
第4 章基于深度學習的推薦算法/79
4.1 深度學習與協同過濾/80
4.1.1 基于受限玻爾茲曼機的協同過濾/80
4.1.2 基于自編碼器的協同過濾/82
4.1.3 深度學習與矩陣分解/84
4.1.4 基于鄰域的深度協同過濾/87
4.2 深度學習與特征交互/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 圖表示學習與推薦系統/100
4.3.1 圖嵌入和圖神經網絡基礎/101
4.3.2 圖神經網絡與協同過濾/106
4.3.3 圖神經網絡與社會化推薦/110
4.4 序列與基于會話的推薦/114
4.4.1 序列推薦的動機、定義與分類/114
4.4.2 序列推薦算法的分類/117
4.4.3 基于循環神經網絡的序列推薦/122
4.4.4 基于非自回歸神經網絡的序列建模/125
4.4.5 基于自注意力機制的序列推薦/127
4.4.6 基于記憶神經網絡的序列推薦/129
4.4.7 用戶、物品雙序列建模/133
4.5 結合知識圖譜的推薦系統/134
4.5.1 加強用戶--物品交互建模/135
4.5.2 圖譜建模與物品推薦的聯合學習/141
4.5.3 知識圖譜增強物品的表示/146
4.5.4 可解釋性/151
4.6 基于強化學習的推薦算法/158
4.6.1 基于多臂老虎機的推薦算法/160
4.6.2 強化學習基礎/162
4.6.3 基于強化學習的推薦算法/ 164
4.6.4 深度強化學習的建模與優化/166
4.7 小結/170
第5 章推薦系統前沿話題/171
5.1 推薦算法研究熱點/172
5.1.1 基于對話的推薦/172
5.1.2 因果推薦/173
5.1.3 常識推薦/174
5.2 推薦系統應用挑戰/175
5.2.1 多源數據融合/175
5.2.2 可擴展性/176
5.2.3 功能性評估/178
5.2.4 冷啟動問題/179
5.3 負責任的推薦/180
5.3.1 用戶隱私/180
5.3.2 可解釋性/183
5.3.3 算法偏見/187
5.4 小結/189
第6 章推薦系統實踐/191
6.1 工業級推薦系統實現與架構/192
6.1.1 工業級推薦系統的基本特征/192
6.1.2 推薦系統的常見架構/193
6.1.3 推薦系統的工業實現/196
6.2 推薦系統典型應用實踐/198
6.2.1 數據管理與預處理/201
6.2.2 算法選擇與模型訓練/208
6.2.3 評估指標與評估方式/230
6.3 基于云平臺的推薦系統開發與運維/236
6.3.1 基于云平臺的推薦系統的優點/236
6.3.2 基于云平臺的推薦系統開發與運維/237
6.4 總結/241
第7 章總結與展望/243
參考文獻247
新書資訊