目录

●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