课程简介
随着信息技术的飞速发展和互联网的全面普及，加快了数据产生和信息传播的速度。这为人们的生活和工作提供了便捷，但同时也带来了困扰：信息超载。为解决这一问题，搜索引擎和推荐系统两种信息过滤系统应运而生。不同于搜索引擎需要“用户主动寻找信息”且反馈结果“千人一面”，推荐系统的目标是“系统主动推送信息”且推荐结果“千人千面”。由于推荐系统能够让用户、平台、商家等多方受益，它已成为互联网（特别是移动互联网）应用和服务的一种标配。
本课程主要介绍推荐系统中的各种常用算法和一些典型应用。通过本课程的学习，学生不仅可以掌握各种常用推荐算法的思想、原理和实现，同时还能熟悉各种推荐算法的应用场景和一些典型的应用案例，并把握推荐系统未来的发展方向。
课程大纲
1. 推荐系统简介：
1.1 推荐系统的意义与价值
1.2 推荐系统的历史与框架
1.3 推荐算法分类
2. 基于邻域的协同过滤：
2.1 协同过滤的基本思想与算法分类
2.2 基于用户的协同过滤
2.3 基于项目的协同过滤
2.4 基于邻域的评分预测
2.5 基于二部图的协同过滤
3. 基于模型的协同过滤：
3.1 基于关联规则的推荐
3.2 基于矩阵分解的评分预测
3.3 概率矩阵分解框架
3.4 基于矩阵分解的Top-N推荐
4. 基于内容的推荐：
4.1 基于内容推荐的系统框架
4.2 向量空间模型
4.3 基于语义的内容相似度
5. 基于知识的推荐：
5.1 基于约束的推荐
5.2 基于效用的推荐
5.3 基于实例的推荐
6. 混合推荐：
6.1 混合推荐简介
6.2 理论依据与算法分类
6.3 平行式混合推荐
6.4 串行式混合推荐
6.5 整体式混合推荐
7. 推荐系统评测：
7.1 评测视角与实验方法
7.2 评分预测评价指标
7.3 Top-N推荐评价指标
7.4 公开实验数据集
1.1 推荐系统的意义与价值
1.2 推荐系统的历史与框架
1.3 推荐算法分类
2. 基于邻域的协同过滤：
2.1 协同过滤的基本思想与算法分类
2.2 基于用户的协同过滤
2.3 基于项目的协同过滤
2.4 基于邻域的评分预测
2.5 基于二部图的协同过滤
3. 基于模型的协同过滤：
3.1 基于关联规则的推荐
3.2 基于矩阵分解的评分预测
3.3 概率矩阵分解框架
3.4 基于矩阵分解的Top-N推荐
4. 基于内容的推荐：
4.1 基于内容推荐的系统框架
4.2 向量空间模型
4.3 基于语义的内容相似度
5. 基于知识的推荐：
5.1 基于约束的推荐
5.2 基于效用的推荐
5.3 基于实例的推荐
6. 混合推荐：
6.1 混合推荐简介
6.2 理论依据与算法分类
6.3 平行式混合推荐
6.4 串行式混合推荐
6.5 整体式混合推荐
7. 推荐系统评测：
7.1 评测视角与实验方法
7.2 评分预测评价指标
7.3 Top-N推荐评价指标
7.4 公开实验数据集