推薦系統(tǒng)是互聯(lián)網時代極具商業(yè)價值的應用之一，是人工智能、大數(shù)據領域的研究熱點之一，它在電子商務、社交媒體、視頻網站和新聞資訊平臺等領域發(fā)揮著重要作用。本書介紹了推薦系統(tǒng)的研究進展和主要技術方法，旨在反映社會化推薦方法的主要技術，為相關科研人員的研究提供參考。全書共分6章。第1章介紹推薦系統(tǒng)的發(fā)展歷史和主要應用，第2章介紹基于近鄰的協(xié)同過濾推薦方法，第3章介紹基于模型的協(xié)同過濾推薦方法，第4章介紹基于社交關系的矩陣分解推薦方法，第5章介紹基于深度學習的社會化推薦方法，第6章介紹基于圖神經網絡的社會化推薦方法。
本書可供有志于從事個性化推薦、社交網絡分析的相關研究人員及高等院校有關專業(yè)研究生、本科生閱讀，也可為從事電子商務、數(shù)字媒體技術、計算廣告學的研究人員提供參考。
電子商務、移動新聞、在線教育、社交媒體、搜索引擎等領域紛紛在各自平臺加入了個性化推薦的功能，使各種移動應用從千人一面轉變?yōu)榍饲妗?本書能幫助有志于從事推薦系統(tǒng)的科研人員快速梳理推薦系統(tǒng)的技術發(fā)展脈絡，快速了解推薦系統(tǒng)的相關技術；幫助科研人員了解、掌握推薦系統(tǒng)領域一些經典的推薦算法模型。
隨著網絡技術的日益成熟和移動設備的普及，社交媒體得到了空前的發(fā)展，各種移動應用層出不窮，給人們的工作和生活帶來了極大便利，人類從個人計算時代邁入社會計算時代，人們的交流溝通方式從線下為主轉變?yōu)榫�上為主，加速了個性化推薦系統(tǒng)的發(fā)展和普及應用，電子商務、移動新聞、在線教育、社交媒體、搜索引擎等領域紛紛在各自平臺加入了個性化推薦的功能，使各種移動應用從千人一面轉變?yōu)榍饲妫藗兊纳钭兊秘S富多彩，這些技術的進步離不開學術界和工業(yè)界從事推薦系統(tǒng)、社交網絡等方向研究的科研工作者的努力。正是他們的辛苦付出，才有了今天技術的進步、人們生活的便捷。
推薦系統(tǒng)作為大數(shù)據、人工智能領域的一個研究熱點，于20世紀90年代為了解決數(shù)據量激增造成信息過載而產生，之后大量推薦應用系統(tǒng)被提出。目前，推薦系統(tǒng)已成為人機交互、機器學習和信息檢索領域的熱門研究課題。推薦系統(tǒng)是一種通過分析用戶的歷史行為、興趣愛好等數(shù)據信息，為用戶推薦個性化的產品、服務、信息等的技術系統(tǒng)。它最初起源于人機交互領域，隨著技術的發(fā)展，推薦系統(tǒng)不僅用于互聯(lián)網購物、新聞、音樂、視頻等領域，還逐漸在計算機科學、人工智能、新聞傳播學、倫理學和社會科學等多個領域得到廣泛應用。
推薦系統(tǒng)采用的技術和方法日新月異，經歷了協(xié)同過濾、基于概率的方法、矩陣分解、深度學習、圖神經網絡等技術。寫作本書的目的，一方面希望幫助有志于從事推薦系統(tǒng)的科研人員快速梳理推薦系統(tǒng)的技術發(fā)展脈絡，快速了解推薦系統(tǒng)的相關技術；另一方面希望通過本書的介紹，使科研人員了解、掌握推薦系統(tǒng)領域一些經典的推薦算法模型，為今后的深入研究提供參考。
本書結合作者自身科研項目，比較系統(tǒng)地介紹了推薦系統(tǒng)的發(fā)展歷史、常見的經典算法模型(包括基于協(xié)同過濾的推薦方法、基于矩陣分解的協(xié)同過濾推薦方法、基于深度學習的推薦方法和基于圖神經網絡的推薦方法)。
歡迎各位讀者在閱讀本書的過程中將遇到的問題反饋給我們，無論是指出錯誤或提出改進建議，還是希望探討交流，都歡迎和我們聯(lián)系(13382038@qq.com)。
本書的主要內容是作者及實驗室團隊成員近年來研究成果和對經典推薦模型的總結，寫作本書花費了大量的時間和精力整理之前的研究成果、查閱最新的論文并對知識點進行梳理。感謝智能信息處理實驗室的各位老師、同學對本書的支持，特別是龐康寧、代卓、董景陽、王宗林，他們參與了本書部分章節(jié)的資料整理。本書由鄭州輕工業(yè)大學的陳銳、黃敏完成。代卓、董景陽、王宗林負責第5章的資料整理和撰寫，龐康寧負責第6章的資料整理和撰寫。
在本書的寫作過程中，得到了鄭州輕工業(yè)大學和上�？茖W技術出版社的大力支持，在此表示衷心感謝。同時，感謝河南省研究生教育改革與質量提升工程項目(項目批準號：YJS2024JC12,YJS2023ZX08)及河南省高等教育教學改革研究與實踐項目(研究生教育類)(項目批準號：2023SJGLX159Y,2023SJGLX369Y)等項目的支持。
在本書的編寫過程中，參閱了大量相關學術論文、教材、著作、科普文獻及網絡資源在此向各位原著者致謝!
由于作者水平有限，加上時間倉促，書中難免存在一些不足之處，懇請讀者批評指正。
作 者
2024年8月
陳銳，副教授，碩士生導師，主要從事信息檢索與推薦系統(tǒng)、社交網絡分析、人機交互等方面的研究。中國圖像圖形學會人機交互專委會委員，中文信息學會情感計算專委會委員，發(fā)表SCI論文10余篇，主持省級科研項目4項，參與國家級科研項目1項，獲省部級科技進步獎2項，授權發(fā)明專利、軟件著作權10余項，出版教材、學術著作10余部，獲省級高等教育教學成果獎3項，參與國家級一流課程1門、省級教改項目3項。
第1章 推薦系統(tǒng)概述/1
1.1引言/1
1.2信息過濾工具信息檢索與推薦系統(tǒng)/4
1.3推薦系統(tǒng)的發(fā)展歷史/8
1.4個性化推薦系統(tǒng)的應用/16
1.5常用數(shù)據集與評測方法/23
1.6推薦系統(tǒng)面臨的挑戰(zhàn)/28
1.7本章小結/29
參考文獻/30
第2章 基于近鄰的協(xié)同過濾推薦算法/34
2.1引言/34
2.2基于用戶的協(xié)同過濾推薦算法/35
2.3基于項目的協(xié)同過濾推薦算法/41
2.4基于內存的社交關系推薦算法/45
2.5基于圖的推薦算法/49
2.6本章小結/55
參考文獻/56
第3章 基于模型的協(xié)同過濾推薦算法/59
3.1引言/59
3.2 基于概率的協(xié)同過濾推薦算法/61
3.3基于矩陣分解的協(xié)同過濾推薦算法/69
3.4因子分解機技術/80
3.5本章小結/83
參考文獻/83
第4章 基于社交關系的矩陣分解推薦算法/87
4.1引言/87
4.2基于社交網絡推薦系統(tǒng)的形式化定義和基本框架/89
4.3基于概率矩陣分解的社交網絡推薦技術/92
4.4增強的社交矩陣分解模型/108
4.5基于社交關系預測反饋機制的推薦算法/139
4.6本章小結/150
參考文獻/152
第5章 基于深度學習的社會化推薦方法/158
5.1深度學習與推薦系統(tǒng)/158
5.2 NeuralCF模型/175
5.3 Wide &.Deep模型/181
5.4 Word2Vec模型/187
5.5 DeepFM模型/193
5.6 xDeepFM模型/197
5.7 TrustSVD模型/202
5.8 DIN模型/205
5.9 NeuMF模型/212
5.10 EMARec模型/213
5.11 本章小結/216
參考文獻/217
第6章 基于圖神經網絡的社會化推薦方法/222
6.1圖神經網絡推薦模型的特點/222
6.2圖卷積網絡推薦模型/225
6.3圖注意力網絡推薦模型/242
6.4圖自動編碼器推薦模型/250
6.5圖生成網絡推薦模型/260
6.6本章小結/269
參考文獻/270
索引/273
書單推薦
