陈锐，副教授，硕士生导师，主要从事信息检索与推荐系统、社交网络分析、人机交互等方面的研究。中国图像图形学会人机交互专委会委员，中文信息学会情感计算专委会委员，发表SCI论文10余篇，主持省级科研项目4项，参与国家级科研项目1项，获省部级科技进步奖2项，授权发明专利、软件著作权10余项，出版教材、学术著作10余部，获省级高等教育教学成果奖3项，参与国家级一流课程1门、省级教改项目3项。

推荐系统是互联网时代极具商业价值的应用之一，是人工智能、大数据领域的研究热点之一，它在电子商务、社交媒体、视频网站和新闻资讯平台等领域发挥着重要作用。本书介绍了推荐系统的研究进展和主要技术方法，旨在反映社会化推荐方法的主要技术，为相关科研人员的研究提供参考。全书共分6章。第1章介绍推荐系统的发展历史和主要应用，第2章介绍基于近邻的协同过滤推荐方法，第3章介绍基于模型的协同过滤推荐方法，第4章介绍基于社交关系的矩阵分解推荐方法，第5章介绍基于深度学习的社会化推荐方法，第6章介绍基于图神经网络的社会化推荐方法。

本书可供有志于从事个性化推荐、社交网络分析的相关研究人员及高等院校有关专业研究生、本科生阅读，也可为从事电子商务、数字媒体技术、计算广告学的研究人员提供参考。

第1章  推荐系统概述/1

1.1引言/1

1.2信息过滤工具——信息检索与推荐系统/4

1.3推荐系统的发展历史/8

1.4个性化推荐系统的应用/16

1.5常用数据集与评测方法/23

1.6推荐系统面临的挑战/28

1.7本章小结/29

参考文献/30

第2章  基于近邻的协同过滤推荐算法/34

2.1引言/34

2.2基于用户的协同过滤推荐算法/35

2.3基于项目的协同过滤推荐算法/41

2.4基于内存的社交关系推荐算法/45

2.5基于图的推荐算法/49

2.6本章小结/55

参考文献/56

第3章  基于模型的协同过滤推荐算法/59

3.1引言/59

3.2  基于概率的协同过滤推荐算法/61

3.3基于矩阵分解的协同过滤推荐算法/69

3.4因子分解机技术/80

3.5本章小结/83

参考文献/83

第4章  基于社交关系的矩阵分解推荐算法/87

4.1引言/87

4.2基于社交网络推荐系统的形式化定义和基本框架/89

4.3基于概率矩阵分解的社交网络推荐技术/92

4.4增强的社交矩阵分解模型/108

4.5基于社交关系预测反馈机制的推荐算法/139

4.6本章小结/150

参考文献/152

第5章  基于深度学习的社会化推荐方法/158

5.1深度学习与推荐系统/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  本章小结/216

参考文献/217

第6章  基于图神经网络的社会化推荐方法/222

6.1图神经网络推荐模型的特点/222

6.2图卷积网络推荐模型/225

6.3图注意力网络推荐模型/242

6.4图自动编码器推荐模型/250

6.5图生成网络推荐模型/260

6.6本章小结/269

参考文献/270

索引/273