这是一本全面讲解图计算、知识图谱及其在推荐系统领域应用的专著，为读者基于神经网络构建推荐系统提供了详细指导，是作者在相关领域10余年经验的总结。掌握本书内容，读者可开发出能处理多模态数据的推荐算法系统，提供更丰富和准确的推荐体验。 本书主要内容分为两篇。 第一篇 图数据以及图模型（第1-3章） 对图数据、图神经网络、知识图谱的基础知识进行了梳理，帮助读者掌握着3项技术的关键原理与算法，为后面的学习打下基础。 第二篇 推荐系统（第4-9章） 首先介绍了推荐系统的架构，包括逻辑架构、技术架构和数据建模，以及基于GNN的推荐系统架构；然后详细讲解了如何基于GNN构建推荐系统，以及基于图的推荐算法；再接着讲解了知识图谱在推荐系统中的应用以及相关的算法模型；最后，探讨了推荐系统领域当前的热点问题、研究方向以及工业级推荐系统领域的核心难题 本书注重实战，故理论知识简练且极具针对性，包含大量实战案例，图文并茂，易于阅读。

这是一本全面讲解图计算、知识图谱及其在推荐系统领域应用的专著，为读者基于神经网络构建推荐系统提供了详细指导，是作者在相关领域10余年经验的总结。掌握本书内容，读者可开发出能处理多模态数据的推荐算法系统，提供更丰富和准确的推荐体验。 本书主要内容分为两篇。 第一篇 图数据以及图模型（第1-3章） 对图数据、图神经网络、知识图谱的基础知识进行了梳理，帮助读者掌握着3项技术的关键原理与算法，为后面的学习打下基础。 第二篇 推荐系统（第4-9章） 首先介绍了推荐系统的架构，包括逻辑架构、技术架构和数据建模，以及基于GNN的推荐系统架构；然后详细讲解了如何基于GNN构建推荐系统，以及基于图的推荐算法；再接着讲解了知识图谱在推荐系统中的应用以及相关的算法模型；最后，探讨了推荐系统领域当前的热点问题、研究方向以及工业级推荐系统领域的核心难题 本书注重实战，故理论知识简练且极具针对性，包含大量实战案例，图文并茂，易于阅读。

推荐系统无处不在，已经成为我们日常生活的一部分。本书由LinkedIn公司的两位技术专家撰写，着眼于推荐系统的核心——统计方法，不仅介绍算法理论，而且包含实验分析及结果展示，分享了作者丰富的实战经验。 书中对推荐系统进行了全面讨论，特别是面向日益突显的多反馈和多目标优化问题，深入分析了当前先进的统计方法，如自适应序贯设计（多臂赌博机方法）、双线性随机效应模型（矩阵分解）以及基于MapReduce分布式框架的可伸缩模型，为热门推荐和个性化推荐提供了实用的解决方案。全书将基于回归的响应预测方法作为主要工具，兼顾实验设计和统计模型开发，关注探索和利用之间的权衡。

要构建一个实用的“智能”推荐系统，不仅需要有好的算法，还需要了解接收推荐的用户。本书分为两部分，第一部分侧重于基础架构，主要介绍推荐系统的工作原理，展示如何创建推荐系统，以及给应用程序增加推荐系统时，应该如何收集和应用数据；第二部分侧重于算法，介绍推荐系统的算法，以及如何使用系统收集的数据来计算向用户推荐什么内容。作者还讲述了如何使用最流行的推荐算法，并剖析它们在Amazon 和Netflix 等网站上的实际应用。 《实用推荐系统》适合对推荐系统感兴趣的开发人员阅读，从事数据科学行业的读者也能从书中获得启发。

本书从数据出发，一步步地介绍在得到什么数据的时候可以设计怎样的推荐系统。面向广大的推荐系统开发人员，以实战为基础，深入浅出地介绍每种推荐方法背后的理论基础，着重讨论每种算法的实现、在实际系统中的效果、方法的优点、缺陷以及解决方法。本书的几位作者是目前国内推荐系统方面做得最好的技术人员。

内容简介： 随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载（information overload）的时代 。在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：对于信息消费者，从大量信息中找到自己感兴趣的信息是一件非常困难的事情；对于信息生产者，让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具。推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。

本书介绍当前推荐系统领域中的经典方法。不仅详细讨论了各类方法，还对同类技术进行了归纳总结，这有助于读者对当前推荐系统研究领域有全面的了解。书中提供了大量的例子和习题来帮助读者深入理解和掌握相关技术。此外，本书还介绍了当前新的研究方向，为读者进行推荐系统技术的研究提供参考。本书既可以作为计算机相关专业本科生和研究生的教材，也适合开发人员和研究人员阅读。

本书以媒介变迁为整体脉络，通过几类推荐产品的发展趋势来探讨推荐产品创新的核心驱动力，以及由具体产品特性引发的技术变革。 全书内容分为5部分。第一部分从宏观视角探讨推荐产品从0到1进行创新的产品思路和技术思路；第二部分介绍革新传统纸质媒介的新闻推荐和资讯推荐，包括关键算法设计和产品设计；第三部分介绍构建线上社交网络的社交和社区推荐，以及如何通过协同过滤算法模拟社交网络；第四部分从产品、生态和算法设计的角度，介绍革新传统影视行业的视频推荐；第五部分以阿里推荐产品及其新兴的竞争产品为例，介绍革新传统货架电商的商品推荐。

本书系统介绍推荐系统的技术理论和实践。首先介绍推荐系统的基础知识；然后介绍推荐系统常用的机器学习和深度学习模型；接着重点介绍推荐系统的4层级联架构，包括召回、粗排、精排和重排，以及谷歌、阿里巴巴等大型互联网公司在4层级联架构中的模型设计和实现原理；紧接其后介绍多目标排序在推荐系统中的应用，具体介绍阿里巴巴、谷歌等大型互联网公司的实践；最后从不同角度审视推荐系统，介绍公平性问题、知识蒸馏、冷启动等各种前沿实践。本书基于一线研发人员的视角向读者分享推荐系统的实践经验，所有模型结构和前沿实践都在业务场景中落地。 本书适合推荐系统领域的从业者、高校科研人员、高校计算机专业学生，以及对推荐系统感兴趣的产品研发人员和运营人员阅读。

本书以媒介变迁为整体脉络，通过几类推荐产品的发展趋势来探讨推荐产品创新的核心驱动力，以及由具体产品特性引发的技术变革。 全书内容分为5部分。第一部分从宏观视角探讨推荐产品从0到1进行创新的产品思路和技术思路；第二部分介绍革新传统纸质媒介的新闻推荐和资讯推荐，包括关键算法设计和产品设计；第三部分介绍构建线上社交网络的社交和社区推荐，以及如何通过协同过滤算法模拟社交网络；第四部分从产品、生态和算法设计的角度，介绍革新传统影视行业的视频推荐；第五部分以阿里推荐产品及其新兴的竞争产品为例，介绍革新传统货架电商的商品推荐。