动手学推荐系统(基于PyTorch的算法实现微课视频版)/计算机技术开发与应用丛书

本书从理论结合实践编 程介绍推荐系统。由浅入深 ，先基础后进阶，先理论后 实践，先主流后推导。 第1章较为简单，仅初步 带领大家了解什么是推荐系 统及推荐系统的简史。第2 ～5章介绍主流的推荐算法 及推荐算法的推导过程，是 本书的核心，每个算法都描 述得非常详细且有具体代码 帮助大家理解，深度学习的 框架将采用PyTorch。第6章 介绍商业级推荐系统的组成 结构。第7章系统地介绍推 荐系统的评估指标及方式。 第8章介绍整个推荐工程的 生命周期。第6～8章可随时 抽取出来提前看。本书配套 示例代码及微课视频，帮助 读者快速入门推荐算法及系 统。 本书可作为高等院校、 科研机构或从事推荐系统工 作的工程师的参考书，也可 作为高年级本科生和研究生 的学习参考书。

於方仁，推荐算法、图神经网络、知识图谱等领域专家。在推荐系统领域从业多年，现任苏州中贸大数据CTO。善于在实战中总结经验，授课幽默风趣，乐于分享知识。

第1章 推荐系统的初步了解（28min） 1.1 什么是推荐系统 1.2 推荐系统的由来 1.2.1 Tapestry 1.2.2 GroupLens 1.3 推荐系统的概况 1.4 推荐算法的概况 参考文献 第2章 基础推荐算法（398min） 2.1 协同过滤 2.2 基础近邻指标 2.2.1 CN相似度 2.2.2 Jaccard相似度 2.2.3 Cos相似度 2.2.4 Pearson相似度 2.2.5 Pearson相似度与Cos相似度之间的联系 2.3 基于近邻的协同过滤算法 2.3.1 UserCF 2.3.2 行为相似与内容相似的区别 2.3.3 ItemCF 2.3.4 实战：UserCF 2.3.5 实战：ItemCF 2.3.6 实战：标注为1～5的评分 2.4 推荐模型评估：入门篇 2.4.1 广义的准确率、精确率、召回率 2.4.2 推荐系统的准确率、精确率、召回率 2.4.3 推荐列表评测 2.4.4 对近邻协同过滤模型进行评测 2.5 进阶近邻指标 2.5.1 User-IIF与Item-IUF 2.5.2 更高效地利用流行度定义近邻指标 2.5.3 自定义相似度指标的范式 2.6 矩阵分解协同过滤算法 2.6.1 SVD矩阵分解 2.6.2 将SVD用作推荐 2.6.3 LFM隐因子模型 2.6.4 ALS代码实现 2.6.5 推荐模型评估：MSE、RMSE、MAE 2.6.6 以深度学习端到端训练思维理解ALS 2.6.7 ALS代码实现PyTorch版 2.7 逻辑回归出发的推荐算法 2.7.1 显式反馈与隐式反馈 2.7.2 逻辑回归 2.7.3 POLY2 2.7.4 FM 2.7.5 以深度学习端到端训练思维理解FM 2.8 本章总结 2.8.13 个重要算法：近邻协同过滤、ALS、FM 2.8.2 协同过滤算法总结 参考文献 第3章 进阶推荐算法（351min） 3.1 神经网络推荐算法推导范式 3.1.1 ALS+MLP 3.1.2 特征向量+MLP 3.1.3 结合CNN的推荐 3.1.4 结合RNN的推荐 3.1.5 ALS结合RNN 3.1.6 联合训练的RNN 3.1.7 小节总结 3.2 FM在深度学习中的应用 3.2.1 FNN 3.2.2 改进后的FNN 3.2.3 Wide & Deep 3.2.4 DeepFM 3.2.5 AFM 3.2.6 小节总结 3.3 序列推荐算法 3.3.1 基本序列推荐模型 3.3.2 DIN与注意力计算方式 3.3.3 从PReLU到Dice激活函数 3.3.4 DIEN模拟兴趣演化的序列网络 3.4 Transformer在推荐算法中的应用 3.4.1 从推荐角度初步了解Transformer 3.4.2 多头注意力与缩放点乘注意力算法 3.4.3 残差 3.4.4 Layer Normalization 3.4.5 前馈神经网络层 3.4.6 位置编码 3.4.7 Transformer Encoder 3.4.8 利用Transformer编码器的推荐算法BST 3.4.9 Transformer Decoder 3.4.10 结合Transformer解码器的推荐算法推导 3.5 本章总结 参考文献 第4章 图神经网络与推荐算法（275min） 4.1 图论基础 4.1.1 什么是图 4.1.2 无向图与有向图 4.1.3 无权图与有权图 4.1.4 同构图与异构图 4.1.5 图的表示：邻接矩阵 4.1.6 图的表示：邻接列表 4.1.7 图的表示：边集 4.1.8 邻居与度 4.1.9 结构特征、节点特征、边特征 4.1.10 处理图的Python库推荐 4.2 基于图的基础推荐方式 4.2.1 链路预测（Link Prediction） 4.2.2 什么是路径 4.2.3 基于路径的基础链路预测 4.2.4 图游走算法DeepWalk 4.2.5 图游走算法Node2Vec 4.3 图神经网络 4.3.1 GCN图卷积网络 4.3.2 GAT图注意力网络 4.3.3 消息传递 4.3.4 图采样介绍 4.3.5 图采样算法：GraphSAGE 4.3.6 图采样算法：PinSAGE 4.4 基于图神经网络的推荐 4.4.1 利用GCN的推荐算法 4.4.2 利用GAT的推荐算法 4.4.3 图神经网络结合FM的推荐算法：GFM 4.4.4 GFM加入注意力机制的推荐算法：GAFM 4.4.5 小节总结 4.5 本章总结 参考文献 第5章 知识图谱与推荐算法（408min） 5.1 知识图谱基础 5.1.1 知识图谱定义 5.1.2 RDF到HRT三元组 5.1.3 知识图谱推荐算法与图神经网络推荐算法的发展脉络 5.1.4 知识图谱推荐算法的概览 5.1.5 基于知识图谱推荐的优劣势 5.1.6 Freebase数据集介绍 5.2 Knowledge Graph Embedding知识图谱嵌入 5.2.1 翻译距离模型TransE 5.2.2 翻译距离模型TransH 5.2.3 翻译距离模型TransR 5.2.4 其他翻译距离模型 5.2.5 语义匹配模型RESCAL 5.2.6 其他语义匹配模型 5.3 基于知识图谱嵌入的推荐算法 5.3.1 利用知识图谱嵌入做推荐模型的基本思路 5.3.2 最简单的知识图谱推荐算法CKE 5.3.3 CKE扩展及演化 5.3.4 加强知识图谱信息的影响：MKR 5.3.5 MKR扩展