本书围绕电商、资讯等众多实际应用背后的内核，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，全书共分6部分： 第1部分（第1章）为背景和基础； 第2部分（第2～4章）为单行为推荐，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； 第3部分（第5～6章）为多行为推荐，是指同时考虑浏览和购买等包含多种行为的数据； 第4部分（第7～8章）为序列推荐，是指同时关注用户行为和这些行为的先后顺序； 第5部分（第9～10章）为联邦推荐，更加关注用户行为中的隐私和数据安全问题； 第6部分（第11章）为总结与展望。全书综合梳理了多个智能推荐问题和相关技术，分析了方法的优缺点和内在联系，并在每章结束时提供了详细的参考文献和有针对性的习题。 本书可以作为计算机科学与技术、软件工程等相关专业的研究生和高年级本科生的教材，也可以作为推荐系统工程师的参考手册。

前言 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...