推荐系统基础、方法与技术杨晓春等推荐系统人工智能大模型_杨晓春等_9787111804185

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。

在当今数字化时代，信息过载成为人们面临的一大挑战，推荐系统应运而生，成为解决这一问题的关键技术。它在各个领域广泛应用，从电子商务到在线视频，从新闻资讯到社交网络，深刻改变了人们获取信息和服务的方式，提升了用户体验和企业效益。
本书全面系统地介绍了推荐系统的相关知识，为不同层次的读者提供了参考与指导。本书独辟蹊径，以用户和项目的不同数据结构表示为主线来审视推荐系统的发展过程，使读者可以对推荐系统的发展和核心问题有全面、系统的了解和把握。全书共11章，各章紧密相连，逐步深入，并提供相应的示例来指导读者独立开发相应的推荐方法。其中，第1~5章介绍推荐系统的基础概念与经典方法，第6~8章介绍基于图数据结构的推荐方法，第9~11章介绍基于项目偏序图数据结构的推荐方法。
第1章推荐系统概述，介绍推荐系统的应用场景，如音乐、视频、教育网站等领域的具体应用实例；梳理推荐方法的分类，包括基于内容、矩阵表示、图表示等方法及其研究进展；阐述推荐系统评测的重要性和多维度视角，涵盖不同利益相关者的关注点；讲解搭建流程，并通过实际代码展示如何构建电影推荐系统，为后续的学习奠定基础。
第2章推荐系统评测，深入探讨评测方法，包括离线实验、用户调查和在线实验，分析它们的优缺点及适用场景；详细介绍各类评测指标（如评分预测评测指标、Top-N推荐评测指标、基于排序的评测指标等），以及用户满意度、公平性、覆盖范围和商业导向等多方面的评测指标，为准确评估推荐系统性能提供全面依据。
第3章基于内容的推荐方法，着重讲述项目内容的描述方式，包括数值特征和文本特征的向量表示方法；介绍基于向量相似度和朴素贝叶斯分类器的推荐原理；通过电影推荐实例，展示如何根据用户观看历史推荐相似电影，帮助读者理解基于内容推荐的实际应用。
第4章基于交互矩阵的协同过滤推荐方法，概述基于交互矩阵的协同过滤方法，阐述其在挖掘用户与项目关系方面的核心思想；详细说明了用户行为的矩阵表示，包括交互矩阵的构造和相似度计算方法；深入讲解基于近邻和模型的协同过滤方法，对比两者差异，并通过电影推荐实验对比不同方法的效果，让读者掌握协同过滤方法的实际应用。
第5章基于项目-类别矩阵的推荐方法，介绍项目-类别矩阵的基础概念，展示其在处理数据稀疏性、增强语义理解和提升可解释性方面的优势；探讨基于特征层次结构和多层表示学习的推荐框架设计，包括框架设计目标、核心组件和模型学习过程等，通过电商平台推荐示例体现该方法在实际中的应用价值。
第6章基于用户-项目关系图的推荐方法，提出基于path2rec模型的算法，设计智能游走采样策略以改善数据稀疏问题；阐述模型结构，包括pathGAN模块和path2vec模块的功能与协作方式；通过在电影推荐数据集上的实验，验证模型在推荐效率上的提升，为读者呈现深度学习在推荐系统中的应用。
第7章基于用户-用户关系图的推荐方法，定义用户-用户关系图，阐述其在社交推荐等方面的应用；描述开发者推荐相关工作，分析现有方法的局限性；设计总体框架，融合多元关系来提升推荐的准确性；通过GitHub和GitLab数据实验，验证方法在解决数据稀疏和冷启动问题上的有效性，展示用户-用户关系在推荐系统中的重要性。
第8章基于知识图谱的推荐方法，介绍知识图谱在推荐系统中的作用，阐述其如何解决冷启动和数据稀疏问题；详细说明项目-实体关系图的构建与应用；深入讲解基于嵌入和基于路径的知识图谱推荐方法，包括Trans系列知识图谱嵌入方法和基于元路径、路径推理的知识图谱推荐方法；通过电影推荐实例，展示基于GNN的知识图谱推荐方法的实现过程，体现知识图谱为推荐系统带来的优势。
第9章基于项目偏序图的会话推荐方法，分析会话推荐的产生背景，阐述其与传统推荐系统的区别；定义项目-项目关系图，说明其在会话推荐中的构建方式和应用；介绍会话推荐系统的定义、任务和特点；详细讲解传统方法和基于神经网络的方法，包括基于模式挖掘、K近邻、马尔可夫链的传统方法，以及基于循环神经网络、卷积神经网络、注意力机制和图神经网络的会话推荐方法，通过商品推荐实例，帮助读者理解会话推荐系统的原理和应用。
第10章基于项目偏序图的序列推荐方法，介绍了序列推荐系统的基本概念，涵盖了基于马尔可夫链、RNN、注意力机制的序列推荐方法，以及项目偏序关系和物品附加信息的融合利用等内容。
第11章推荐系统中的实例可靠性问题，探讨了实例可靠性与不可靠数据处理，重点分析了外部干扰因素如何影响序列推荐模型的准确性，并提出了通过项目-项目偏序图和项目属性异质图等方法来识别及修正低质量数据，从而提升推荐系统的性能和用户体验。
为便于读者理解，书中穿插了大量示例、图表和代码示例。通过示例展示实际应用效果，图表辅助说明概念，代码示例提供实践参考。每章末都配有习题，帮助读者巩固知识，培养实践与创新思维。
本书可以作为高等院校计算机、人工智能及相关专业配套的推荐系统课程教材，也可作为从事推荐方法设计的工程技术人员的参考书。
本书是中国机械工业教育协会十四五普通高等教育规划教材。
本书的编写工作由多位专家和学者共同完成，各章的分工情况如下：秦婧撰写第1、4章及31~33节、35~37节，寇月负责第2、8、9章及34节，王斌负责第5~7、10、11章。杨晓春负责整本书的架构设计和写作指导。
本书在编写过程中，参考了众多研究成果，结合自身经验，力求为读者呈现前沿实用的知识。希望本书能够成为读者学习推荐系统的得力助手，推动推荐系统领域的发展与进步。
由于编者水平有限，书中难免有不妥和疏漏之处，恳请读者赐教指正。

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

我要评论