親手開發推薦系統：PyTorch全方位實作最重要演算法

第1章  推薦系統的初步了解
1.1 什麼是推薦系統
1.2 推薦系統的由來
1.3 推薦系統的概況
1.4 推薦演算法的概況

第2章  基礎推薦演算法
2.1 協作過濾
2.2 基礎近鄰指標
2.3 基於近鄰的協作過濾演算法
2.4 推薦模型評估：入門篇
2.5 進階近鄰指標
2.6 矩陣分解協作過濾演算法
2.7 邏輯回歸出發的推薦演算法
2.8 本章複習

第3章  進階推薦演算法
3.1 神經網路推薦演算法推導範式
3.2 FM在深度學習中的應用
3.3 序列推薦演算法
3.4 Transformer在推薦演算法中的應用
3.5 本章複習

第4章  圖神經網路與推薦演算法（2）
4.1 圖論基礎
4.2 基於圖的基礎推薦方式
4.3 圖神經網路
4.4 基於圖神經網路的推薦
4.5 本章複習

第5章  知識圖譜與推薦演算法
5.1 知識圖譜基礎
5.2 Knowledge Graph Embedding知識圖譜嵌入
5.3 基於知識圖譜嵌入的推薦演算法
5.4 基於知識圖譜路徑的推薦演算法
5.5 知識圖譜嵌入結合圖路徑的推薦RippLeNet
5.6 圖神經網路與知識圖譜
5.7 本章複習

第6章  推薦系統的構造
6.1 推薦系統結構
6.2 預測服務部分
6.3 LSH-Embedding匹配的加速演算法
6.4 模型訓練部分
6.5 資料處理部分
6.6 冷開機

第7章  推薦系統的評估
7.1 基礎機器學習模型評測指標
7.2 TopK推薦評測指標
7.3 業務性評測指標
7.4 線上對比測試

第8章  推薦工程的生命週期
8.1 了解資料與推薦目的
8.2 初期的特徵篩選
8.3 推薦系統結構設計
8.4 模型研發
8.5 架設推薦系統
8.6 最佳化推薦系統

前言

　　在當前巨量資料時代下，推薦系統有著舉足輕重的地位。尤其是在網際網路經濟非常發達的國內，推薦系統可謂無處不在。如今推薦系統的做法變化多端，究其原因主要是近年來機器學習演算法領域的發展空前火熱。推薦系統的工程學問很多，但大方向相對較清晰，無非是收集巨量資料，然後統計分析，在做出模型之後根據模型預測使用者的偏好並做出推薦，所以如今的重點是研究推薦模型的做法，也是推薦演算法的研究。當然將演算法用作推薦早已不是新鮮事，但是問題在於推薦演算法派系眾多，例如有基於CTR預估發展的推薦演算法、序列推薦演算法、知識圖譜推薦演算法等。大的派系中還會分小派系，例如知識圖譜推薦演算法分成基於知識圖譜嵌入的推薦演算法、基於知識圖譜路徑的推薦演算法等。

　　✤ 本書特色

　　寫作本書的初衷很簡單，市面上講解推薦演算法的書不算少，找到接地氣、值得按部就班系統地學習的書卻很少，筆者想用由淺入深的正確打開方式，讓大家能無痛學習推薦演算法，所以本書的重點之一是要整理這些眾多派系的推薦演算法，找出一條清晰的脈絡讓大家能夠順利入門。正如前文所說，機器學習乃至深度學習演算法日新月異，也就代表了推薦演算法本身的發展也一定是永不停歇地向前進，所以了解眾多派系的演算法並不是最終目的，而是要透過了解現有成熟的演算法進而領略出屬於自己的演算法系統，方能跟上甚至引領這個時代。簡而言之，本書的真正重點是透過整理脈絡由淺入深地帶領大家走進推薦演算法領域，並建立自己的推薦演算法推理想法。

　　✤ 本書內容

　　第1章介紹推薦系統的發展歷史，對其做初步的了解。
　　第2章介紹較基礎的推薦演算法。
　　第3章介紹基於第2章的基礎推薦演算法結合深度學習的發展推導出的進階推薦演算法。
　　第4章介紹圖神經網路及結合圖神經網路進一步推導出的推薦演算法。
　　第5章介紹知識圖譜及結合知識圖譜進一步推導出的推薦演算法。
　　第6章介紹整個推薦系統的詳細結構及基本做法。
　　第7章介紹評估推薦演算法及推薦系統的指標及方式。
　　第8章介紹整個推薦工程整體的生命週期。