潘微科，博士，深圳大学计算机与软件学院副教授，硕士生导师，深圳市优秀教师。主要研究方向为迁移学习、联邦学习、推荐系统和机器学习，曾获ACM TiiS 2016论文奖和SDM 2013论文提名奖。主持国家自然科学基金面上项目等多个科研项目，担任知名国际期刊的编委、客座编委和杰出审稿人。
　　
　　林晶，硕士，深圳大学计算机与软件学院2021届毕业生，现任腾讯音乐研发工程师。主要研究方向为推荐系统、机器学习和深度学习，已在ACM TOIS、ACM RecSys等信息检索和推荐系统领域的知名学术期刊和学术会议发表多篇科研论文，曾参与国家自然科学基金、华为云计算等科研项目。
　　
　　明仲，博士，深圳大学研究生院执行院长、二级教授，博士生导师，广东省移动互联网应用中间件工程技术研究中心主任，鹏城学者特聘教授，曾获国家教学成果奖1次和省教学成果一等奖4次。主要研究方向为人工智能、软件工程和推荐系统，曾狱2013年度广东省科学技术奖一等奖和2018年度中国电子学会科技进步一等奖。

　　在大数据和人工智能时代，智能推荐技术作为一种应对信息过载问题和提供个性化服务的有效手段，在学术研究和商业应用方面受到了广泛关注，并取得了巨大成功，甚至被称为一个互联网应用系统的“标配”。
　　从学术研究的角度来看，科研人员对用户的各种行为数据进行了深入的研究，包括显式反馈数据（如用户对物品的评分行为）、隐式反馈数据（如用户对物品的浏览行为）、包含多种用户行为的异构反馈数据以及用户的序列反馈数据等。此外，深度学习、迁移学习和联邦学习等前沿技术也被引入用户行为的建模中，以提升推荐的性能和隐私安全。
　　从商业应用的角度来看，通过对系统中的用户行为（或反馈）数据的建模，相关算法和技术能较为有效地挖掘和学习用户的真实偏好，进而为用户提供精准的个性化服务，因此具有非常广阔的应用场景。近年来，在电子商务、新闻资讯、视频点播、开放课程、智慧出行和人才招聘等应用领域都有许多非常成功的案例。
　　本书围绕这些应用背后的内核，即智能推荐技术，系统介绍经典和前沿技术，包括基于邻域、矩阵分解、深度学习、迁移学习、联邦学习等的建模方法和推荐算法。本书围绕用户行为数据的建模问题组织内容，主要包括单行为推荐、多行为推荐、序列推荐和联邦推荐四方面。其中，“单行为”是指仅对一种显式反馈（如评分）或一种隐式反馈（如浏览）数据进行建模；“多行为”是指同时考虑浏览和购买等包含多种行为的数据；“序列”是指同时关注用户行为和这些行为的先后顺序；而“联邦”则更加关注用户行为中的隐私和数据安全问题。
　　本书综合梳理了多个智能推荐问题和相关技术，分析了方法的优点、缺点和内在联系，并在每章章末提供了详细的参考文献和有针对性的习题。本书可以作为高等学校计算机科学与技术、软件工程等相关专业的教材，也可以作为推荐系统工程师的参考手册。为了方便读者查阅资料和扩展阅读，本书的附录部分给出了部分知名学术期刊和学术会议的列表、推荐系统国际会议（ACM RecSys）历年征文通知中的研究话题和研讨会的主题以及书中涉及的中英文术语对照表。
　　书中的大部分内容来自“智能推荐”研究组以往整理的课件或技术报告，介绍了研究组近年来学习和研究的一些比较经典和基础或比较有代表性的推荐方法。本书按照从问题描述，到方法详解、推导，再到实验和讨论等的较为统一的框架介绍大部分方法，这是本书的一大特色。鉴于研究组研究方向和写作时间等的限制，很多优秀的推荐技术和算法尚未被包含进来。书中难免有疏漏之处，恳请读者和专家批评指正。
　　需要特别说明的是，智能推荐技术的研发和部署，可能会带来一定的负面影响，因此必须在遵守有关法律法规和符合计算机伦理要求等的前提下开展工作。
　　最后，希望本书能起到抛砖引玉的作用，也期待更多有关智能推荐系统和技术的书籍问世。

第1章 概述
1．1 推荐技术简介
1．2 推荐问题分类
1．3 数学基础知识
1．3．1 线性代数
1．3．2 概率论
1．3．3 神经网络中的激活函数
1．4 常用数据集和验证方法
1．4．1 常用数据集
1．4．2 验证方法
1．5 常用评价指标
1．5．1 面向评分预测的评价指标
1．5．2 面向物品排序的评价指标
1．6 深度学习平台简介
1．7 本章小结
1．8 参考文献
1．9 习题

第2章 基于显式反馈的评分预测
2．1 协同过滤（CF）问题
2．2 基于均值填充的方法
2．2．1 预测公式
2．2．2 讨论
2．3 基于邻域的方法
2．3．1 基于用户的协同过滤
2．3．2 基于物品的协同过滤
2．3．3 混合协同过滤
2．3．4 讨论
2．4 基于矩阵分解的方法
2．4．1 概率矩阵分解
2．4．2 改进的奇异值分解
2．4．3 结合多类偏好上下文的矩阵分解
2．4．4 因子分解机
2．5 基于深度学习的方法
2．5．1 受限玻尔兹曼机
2．5．2 自编码器
2．6 本章小结
2．7 参考文献
2．8 习题

第3章 基于显式反馈的物品排序
3．1 协同排序（CR）问题
3．2 粗精迁移排序
3．2．1 模型介绍
3．2．2 算法流程
3．2．3 代码实现
3．2．4 实验设置
3．2．5 讨论
3．3 上下文感知协同排序
3．3．1 模型介绍
3．3．2 算法流程
3．3．3 代码实现
3．3．4 实验设置
3．3．5 讨论
3．4 整全迁移排序
3．4．1 模型介绍
3．4．2 基于模型的整全迁移排序
3．4．3 基于邻域的整全迁移排序
3．4．4 代码实现
3．4．5 实验设置
3．4．6 讨论
3．5 本章小结
3．6 参考文献
3．7 习题

第4章 基于隐式反馈的物品排序
4．1 单类协同过滤（OCCF）问题
4．2 基于热度的方法
……
第5章 基于异构反馈的评分预测
第6章 基于异构反馈的物品排序
第7章 单行为序列推荐
第8章 多行为序列推荐
第9章 跨用户联邦推荐
第10章 跨组织联邦推荐
第11章 总结与展望
附录A 学术期刊论文数量统计
附录B 学术会议论文数量统计
附录C 推荐系统国际会议研究话题
附录D 推荐系统国际会议研讨会主题
附录E 中英文术语对照表
后记
致谢