第1章 绪论 1
1.1 推荐系统的应用场景 1
1.2 推荐系统的基础知识 2
1.2.1 什么是推荐系统 2
1.2.2 使用推荐系统的目的 3
1.2.3 推荐系统的价值 3
1.3 如何搭建一个推荐系统 4
1.4 本书关于智能推荐系统的研究内容 5
第2章 基于协同过滤的推荐 8
2.1 协同过滤的基本概念 8
2.2 基于近邻的协同过滤算法 8
2.2.1 基于用户的协同过滤 8
2.2.2 基于物品的协同过滤 13
2.2.3 UserCF和ItemCF比较 15
2.2.4 基于模型的协同过滤 16
2.3 高级进阶技术 16
2.3.1 基于图的方法 16
2.3.2 基于学习的方法 21
本章小结 22
本章参考文献 22
第3章 基于社会网络数据的推荐 25
3.1 社会网络的基本概念 25
3.1.1 社会网络的定义 25
3.1.2 社会网络的理论基础 26
3.1.3 社会网络的统计特性 28
3.2 信任的相关知识 30
3.2.1 信任的概念 30
3.2.2 信任的组成 31
3.2.3 信任的特性 32
3.3 获取社会网络数据的途径 33
3.3.1 电子邮件 33
3.3.2 用户注册信息 34
3.3.3 用户的位置数据 34
3.3.4 论坛和讨论组 34
3.3.5 即时聊天工具 34
3.3.6 社交网站 35
3.4 基于社交网络的推荐 36
3.4.1 基于领域的社会化推荐算法 36
3.4.2 基于图的社会化推荐算法 37
3.4.3 实际系统中的社会化推荐算法 39
3.4.4 社会化推荐系统和协同过滤推荐系统 40
3.5 给用户推荐好友 41
3.5.1 基于内容的匹配 42
3.5.2 基于共同兴趣的好友推荐 42
3.5.3 基于社交网络图的好友推荐 43
本章小结 43
本章参考文献 43
第4章 ChatGPT、大模型在推荐系统中的应用 45
4.1 ChatGPT与大模型 45
4.1.1 语言模型发展史 45
4.1.2 大模型核心技术简介 48
4.1.3 大模型的应用场景 53
4.2 大模型在推荐系统中的应用 58
4.2.1 大模型在推荐系统中的应用方法 59
4.2.2 大模型应用于推荐系统的难题及挑战 67
4.2.3 大模型推荐系统的发展趋势与行业应用 68
本章小结 70
本章参考文献 71
第5章 推荐系统的效果评估 74
5.1 基本概念 74
5.2 实验设置 74
5.2.1 离线实验 75
5.2.2 用户调查 76
5.2.3 在线实验 78
5.3 推荐系统属性 78
5.3.1 用户偏好 78
5.3.2 预测精度 79
5.3.3 覆盖率 81
5.3.4 置信度 81
5.3.5 信任度 82
5.3.6 新颖性 82
5.3.7 多样性 83
5.3.8 效用 84
5.3.9 隐私保护 84
5.3.10 适应性 85
5.3.11 可扩展性 85
本章小结 86
本章参考文献 86
第6章 推荐系统中的召回算法与排序算法 88
6.1 召回算法概述 88
6.2 常用的召回算法 89
6.2.1 基于关联规则的召回算法 89
6.2.2 基于聚类的召回算法 90
6.2.3 基于朴素贝叶斯的召回算法 92
6.3 排序算法概述 94
6.4 常用排序算法 95
6.4.1 Logistic回归排序算法 95
6.4.2 基于因子分解机的排序算法 97
本章小结 100
本章参考文献 100
第7章 用户的可信度评估 101
7.1 用户可信度评估对推荐系统的影响 101
7.2 数据可信度评估的理论基础 101
7.2.1 相关研究工作 101
7.2.2 问题定义 102
7.3 基于因子图模型的用户可信度评估方法 103
7.3.1 用户可信度模型框架 103
7.3.2 模型学习 106
7.3.3 模型推理 107
7.3.4 实验及分析 107
本章小结 111
本章参考文献 112
第8章 基于用户兴趣的推荐 114
8.1 理论基础 114
8.1.1 相关研究工作 114
8.1.2 问题定义 115
8.2 基于显性信任关系的推荐 116
8.3 基于隐性信任关系的推荐 118
8.4 基于用户兴趣的可信圈推荐模型 120
8.4.1 面向目标用户的可信圈模型构建 120
8.4.2 实验及分析 121
本章小结 128
本章参考文献 128
第9章 基于用户影响力的推荐 131
9.1 用户影响力概述 131
9.1.1 研究现状 131
9.1.2 当前研究存在的问题 132
9.2 领域影响力 132
9.2.1 领域影响力概述 132
9.2.2 领域影响力量化建模 133
9.3 全局影响力 135
9.3.1 全局影响力概述 135
9.3.2 全局影响力量化建模 135
9.4 基于用户影响力的推荐模型 137
9.4.1 特定领域的用户影响力量化 137
9.4.2 实验及分析 137
本章小结 140
本章参考文献 140
第10章 推荐效果的平衡问题 142
10.1 平衡问题的提出 142
10.2 相关研究工作 142
10.3 基于口碑物质扩散的平衡方法 143
10.3.1 概述 143
10.3.2 基于口碑物质扩散的平衡模型构建 144
10.4 基于信任网络物质扩散的平衡方法 146
10.4.1 概述 146
10.4.2 基于信任网络物质扩散的平衡模型构建 146
10.5 双翼物质扩散模型 149
10.5.1 模型构建 149
10.5.2 评估指标 150
10.5.3 实验及分析 152
本章小结 159
本章参考文献 160
第11章 推荐系统的未来发展 162
11.1 政策与技术双轮驱动下的推荐系统行业变革 162
11.1.1 政策引领——构建坚实的行业基石 163
11.1.2 技术革新——驱动行业发展的核心动力 163
11.2 推荐系统职业生态的转型与展望 163
11.2.1 新兴职业角色——推荐算法商业策略师的崛起 163
11.2.2 新兴领域与场景下的推荐形态创新 164
11.2.3 强化业务价值导向，推动推荐系统商业化进程 164
11.3 推荐系统的应用场景 164
11.3.1 家庭生活的智能伴侣 164
11.3.2 驾车途中的贴心助手 165
11.3.3 虚拟世界的全新探索 166
11.3.4 传统行业的数智化转型 166
11.4 推荐算法与工程架构的发展趋势 167
11.4.1 推荐算法的新理论框架与技术前沿 167
11.4.2 推荐系统工程层面的未来展望 169
11.5 人与推荐系统的有效协同 171
11.6 推荐系统多维价值体系的重构与深化 171
本章小结 172
本章参考文献 173