推薦系統：前沿與實踐

目錄

1 章推薦系統概述1

1.1 推薦系統發展歷史/2

1.1.1 基於內容的推薦算法/2

1.1.2 基於協同過濾的推薦算法/3

1.1.3 基於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範式/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

 

2 章經典推薦算法/25

2.1 基於內容的推薦算法/26

2.1.1 基於結構化內容的推薦/27

2.1.2 基於非結構化內容的推薦/33

2.1.3 基於內容推薦的優勢與局限/41

2.2 基於協同過濾的推薦算法/42

2.2.1 基於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

 

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

 

4 章基於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 基於受限玻爾茲曼機的協同過濾/80

4.1.2 基於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 基於鄰域的深度協同過濾/87

4.2 深度學習與特徵交互/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 DeepFM 模型/96

4.2.7 AutoInt 模型/99

4.2.8 特徵交互的其他思路/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 序列與基於會話的推薦/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 基於循環神經網絡的序列推薦/122

4.4.4 基於非自回歸神經網絡的序列建模/125

4.4.5 基於自註意力機制的序列推薦/127

4.4.6 基於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 基於強化學習的推薦算法/158

4.6.1 基於多臂老虎機的推薦算法/160

4.6.2 強化學習基礎/162

4.6.3 基於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

 

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 基於對話的推薦/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

 

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徵/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 基於雲平台的推薦系統開發與運維/236

6.3.1 基於雲平台的推薦系統的優點/236

6.3.2 基於雲平台的推薦系統開發與運維/237

6.4 總結/241

 

7 章總結與展望/243