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
课程说明
采用理论讲解与系统实现相结合的方式介绍各种推荐算法,让学生不仅能知其然,而且能知其所以然。
课程特色:
1. 采用问题引导与示例展示相结合的讲解方式,通过图、表等可视化方式直观展示算法的思想、原理和具体步骤。
2. 分知识点录制教学视频,每个视频长度约10~15分钟,并配有相应的课件。
3. 课程配套代码已开源上线:https://github.com/LiuHongzhi-PKU/RSBook。
参考资料
刘宏志 编著. 推荐系统. 北京:机械工业出版社. 2020
拓展阅读
其他
主讲教师
刘宏志
刘宏志,北京大学理学博士,教授。主要研究领域:推荐系统、机器学习、数据挖掘。已在已在JMLR、PR、ACM TACO、AAAI、IJCAI、WWW、WSDM、EMNLP等国际知名期刊和会议上发表学术论文70多篇,并编著出版《推荐系统》、《数据分析:方法与应用》等多部教材。曾多次荣获北京大学教学优秀奖、教学成果奖、教学科研奖等奖项。
相关课程推荐