本书系统介绍了推荐系统的理论基础、方法论及其实际应用，涵盖了从基本概念到高级算法的各个方面。全书由11章组成，包括推荐系统概述、推荐系统评测、基于内容的推荐方法、基于交互矩阵的协同过滤推荐方法、基于项目-类别矩阵的推荐方法、基于用户-项目关系图的推荐方法、基于用户-用户关系图的推荐方法、基于知识图谱的推荐方法、基于项目偏序图的会话推荐方法、基于项目偏序图的序列推荐方法，以及推荐系统中的实例可靠性问题。为帮助读者充分了解和掌握每一章的基础理论知识，每章都附有本章小结及习题。本书概念清晰，系统性强，重点突出，图文并茂。 本书既可作为高等院校计算机类专业和非计算机专业的推荐系统课程教材，也可供从事推荐系统研发的工程技术人员参考。

杨晓春，东北大学计算机科学与工程学院二级教授、博士生导师。国家“万人计划”科技创新领军人才（2019）、国家优秀青年基金获得者（2013）、教育部新世纪优秀人才（2006）、辽宁省优秀科技工作者（2018）。辽宁省特聘教授、沈阳市人大常委会咨询专家，国家重点研发专项项目首席科学家。中国计算机学会CCF杰出演讲者（2022）。中国计算机学会CCF杰出会员，IEEE高级会员，ACM会员。CCF数据库专委副秘书长、CCF协同计算专委委员、CAAI智能服务专委委员。长期从事数据管理与分析领域的教学科研工作，主要研究方向包括大数据管理与知识工程、智能推荐、数据隐私保护等方面的教学和科研工作。

前言
第1章推荐系统概述
11推荐系统的应用场景
12推荐方法的研究进展
121推荐方法的分类
122面临的挑战
13推荐系统的评测
14推荐系统的搭建流程
15本章小结
16习题
第2章推荐系统评测
21概述
22推荐系统的评测视角
23推荐系统的评测指标
231评分预测评测指标
232Top-N推荐评测指标
233基于排序的评测指标
234ROC曲线评测指标
235用户满意度评测指标
236用户间公平性评测指标
237项目间公平性评测指标
238覆盖范围评测指标
239商业导向的评测指标
2310其他评测指标
24推荐系统的评测方法
241离线实验
242用户调查
243在线实验
25本章小结
26参考文献
27习题
第3章基于内容的推荐方法
31概述
32项目内容的描述
321数值特征的向量表示
322文本特征的向量表示
33基于向量相似度的推荐
34基于朴素贝叶斯分类器的推荐
341贝叶斯定理
342朴素贝叶斯分类器
343朴素贝叶斯模型示例
35本章小结
36参考文献
37习题
第4章基于交互矩阵的协同过滤推荐方法
41概述
42用户行为的矩阵表示
421交互矩阵构造
422相似度计算
43基于近邻的协同过滤方法
431基于用户的协同过滤方法
432基于项目的协同过滤方法
433优缺点分析
44基于模型的协同过滤方法
441矩阵分解算法
442优缺点分析
45基于协同过滤的电影推荐示例
451数据准备与实现目标
452设计推荐方法
453推荐结果分析
46本章小结
47参考文献
48习题
第5章基于项目-类别矩阵的推荐方法
51概述
52项目-类别矩阵的表示
53基于特征层次结构的推荐框架设计
531特征层次结构概述
532框架设计目标
533框架核心组件
534框架优势分析
54基于多层表示学习的推荐框架设计
541问题形式化与目标函数
542用户与项目嵌入表示建模
543个性化排序建模
544多层项目组织建模
545模型学习
55电商平台推荐示例
551技术方案设计
552具体实现
56本章小结
57参考文献
58习题
第6章基于用户-项目关系图的推荐方法
61概述
62基本图方法
63图嵌入方法
631总体结构与特点
632pathGAN模块
633path2vec模块
64示例：基于图嵌入的电影推荐方法
641数据准备与实现目标
642模型设计
643推荐结果分析
65本章小结
66参考文献
67习题
第7章基于用户-用户关系图的推荐方法
71概述
72用户-用户关系图
721用户-用户关系图的定义
722用户-用户关系的计算
723用户-用户关系图的应用
73开发者推荐相关工作描述
731背景和相关工作介绍
732开发者推荐的实现目标
74总体框架设计
741多元关系定义
742多元关系融合的开发者推荐总体框架
75推荐模型设计
751基于联合概率矩阵分解的多元关联融合
752基于深度神经网络的特征映射和开发者推荐
76示例
761数据集
762关系映射
763实验对比
764实验场景描述
765评测方法
766部分核心代码示例
77本章小结
78参考文献
79习题
第8章基于知识图谱的推荐方法
81概述
82项目-实体关系图
821项目-实体关系图的定义
822项目-实体关系的构建与知识图谱的联系
823项目-实体关系图的应用
83知识图谱建模
84基于嵌入的知识图谱推荐方法
841基于Trans系列的知识图谱嵌入方法
842基于异质信息网络的知识图谱嵌入方法
85基于路径的知识图谱推荐方法
851基于元路径的知识图谱推荐方法
852基于路径推理的知识图谱推荐方法
86示例：基于GNN的知识图谱推荐方法实现
861数据准备和实现目标
862模型设计和代码实现
87本章小结
88参考文献
89习题
第9章基于项目偏序图的会话推荐方法
91概述
92项目-项目关系图
921项目-项目关系图的定义
922项目-项目关系的构建方式
923项目-项目关系图在会话推荐中的应用
93会话推荐系统的定义、任务与特点
931会话推荐的定义
932会话推荐的任务
933会话推荐的特点
94非神经网络方法（传统方法）
941基于模式挖掘的会话推荐方法
942基于K近邻的会话推荐方法
943基于马尔可夫链的会话推荐方法
95基于神经网络的会话推荐方法
951基于循环神经网络技术的会话推荐方法
952基于卷积神经网络的会话推荐方法
953基于注意力机制的会话推荐方法
954基于图神经网络的会话推荐方法
96示例
961模型介绍及代码展示
962实验部分
97本章小结
98参考文献
99习题
第10章基于项目偏序图的序列推荐方法
101概述
102基于马尔可夫链的序列推荐方法
1021模型总体结构
1022模型优缺点
1023研究进展
1024基于马尔可夫链的序列推荐示例
103基于RNN的序列推荐方法
1031模型总体结构
1032模型优缺点
1033研究进展
1034基于GRU4Rec模型的序列推荐示例
104基于注意力机制的序列推荐方法
1041模型总体结构
1042模型优缺点
1043研究进展
1044示例：基于SASRec模型的序列化推荐
105项目偏序关系与物品附加信息的融合利用
1051模型定义与结构
1052模型流程
1053模型优点
1054实验
106本章小结
107参考文献
108习题
第11章推荐系统中的实例可靠性问题
111概述
112数据的图表示与问题定义
113数据质量问题存在性与危害性证明
1131训练实例的可靠性度量
1132不可靠训练实例的存在性与危害性
1133不可靠训练实例的特征分析
114基于项目偏序图的低质量数据的准确识别
1141项目偏序图构建
1142基于偏序图的低质量数据识别指标
1143实验与分析
115项目属性异质图辅助低质量数据的识别
1151问题定义与背景
1152基于属性的信息修正策略
1153基于项目属性信息的低质量数据识别框架
1154实验验证与分析
116基于项目偏序图的低质量数据的修正
1161问题定义与背景
1162双向数据修正框架
117本章小结
118参考文献
119习题