本书是一部深入探讨智能推荐系统原理、算法与应用的前沿著作。本书围绕推荐系统中的图结构和用户行为等热点，剖析推荐系统关键理论，分析智能推荐技术的实现，内容涵盖推荐系统的基础理论与背景知识、基于知识图谱和超图等图结构的智能推荐理论与技术、基于用户复杂行为序列的智能推荐理论与技术、基于推荐系统特有的对偶性和自组织特性等内核特征的推荐技术，以及公平推荐和安全推荐等技术。本书理论技术新颖、算法阐释细致且理论与实践并重，以学科综合能力为根基，注重培养学生的创造性思维和综合应用能力。
        本书适合作为计算机科学与技术、软件工程等专业研究生的教材，也可作为对智能推荐技术感兴趣的业界人士与本科生的参考书。

       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，被广泛应用于电商、 社交、 新闻、 教育等领域。本书所对应的 “智能推荐算法”课程顺应了这一技术潮流与时代需求，旨在培养具有扎实理论基础与实践能力的智能推荐领域专业人才。“智能推荐算法” 不仅在国内高校中占据重要地位，也是业界关注的热点，其发展前景广阔 。
       本书基于笔者团队国家自然科学基金项目、 北京市数字教育研究课题、 中国建设教育协会教育教学科研项目、 北京市教育科学“十四五”规划项目、 北京建筑大学研究生教育教学质量提升项目等一系列研究成果，围绕 “前沿与基础并重，理论与实践相结合”的核心理念，严格遵循高等教育教学标准，在传授经典推荐算法的同时，融入最新研究成果与技术趋势。本书强调知识的系统性、 创新性与实用性，旨在帮助读者全面掌握智能推荐的核心理论，并具备解决实际问题的能力。
       本书主要特色：一是传统方法与现代技术的交融，既涵盖基于内容的推荐、协同过滤等传统技术，也深入探讨图结构、复杂用户行为与深度学习、强化学习等技术的结合应用，提供了全球领先的技术前沿视角；二是理论深度与实践广度相结合，既深入剖析推荐算法的数学原理，又提供丰富的实践指导和方法对比；三是经典理论与内核理论的碰撞，既关注推荐系统中基于用户和项目实体关系的推荐理论，又开创对偶性和自组织特性等独特的推荐技术视角；四是通用背景与经典案例结合，在商业推荐案例基础上，引入知识推荐案例，以利于读者拓展推荐技术的应用领域。
       本书共11章。第1、2章论述推荐系统的基础理论和知识；第3~5章遵循“知识图谱—异构网络—超图”主线，融入图信息繁衍、时变图结构和超图公平推荐，论述图结构智能推荐理论；第6~8章聚焦用户行为，递进论述用户关键行为、微观行为和时序行为相关的智能推荐理论，重点给出用户关键行为的社交网络增强、用户情感解离和超行为空间的行为预测技术实现；第9~11章瞄准推荐系统的内核特征，分别从推荐任务的对偶性、,自组织特性和社会传感器特性角度论述解决推荐系统冷启动、 数据稀疏以及推荐安全问题的理论和技术。
       使用本书进行教学时，建议至少安排40课时。第1、2章，安排4课时，每课时讲解推荐系统的基础理论和知识的一个方面，包括定义、 分类、评估方法等，并通过案例分析加深理解。第3~5章，安排12课时，每课时围绕“知识图谱—异构网络—超图”主线的一个环节，详细解释图信息繁衍、时变图结构和超图公平推荐技术原理和实现。第6~8章，安排12课时，论述用户关键行为、微观行为和时序行为前沿理论，并重点讲解如何进行社交网络增强、用户情感解离和行为预测技术。第9~11章，安排12课时，每课时剖析推荐系统的一个内核特征，深入讲解如何挖掘推荐任务的对偶性、自组织特性和传感器特性，以及如何通过实践验证其解决冷启动、 数据稀疏和推荐安全问题的能力。教学活动包括理论讲解、实验分析、小组讨论等。教学模式建议为线上线下混合教学模式。
       本书由多位在智能推荐领域具有丰富教学与科研经验的学者共同编写。万珊珊负责本书主要内容的撰写、统稿和定稿。邱冬炜参与编写第1章，杨舒月、刘颖参与编写第2章，吕橙参与编写第3章，符泽斌参与编写第4章，朱宇涵参与编写第5章，吕厚辰参与编写第6章，周栋参与编写第7章，王娜参与编写第8章，周琦轶参与编写第9章，赵怡然参与编写第10章，黄天禹参与编写第11章，每位参与编写的编者编写内容不少于3万字。
       在此特别感谢所有为本书撰写提供资料、 提出建议与帮助的同事、 朋友。同时，我们也深知智能推荐领域日新月异，限于我们的学识和水平，书中难免存在不足之处，恳请广大读者批评指正，我们将不胜感激，并期待在未来的修订中不断完善？
       最后，希望本书能引导读者进一步探索智能推荐领域，共同推动这一领域的进步与发展。


       著 者
       2024年12月

第1章 推荐系统概述
第2章 推荐系统中的数据挖掘
第3章 基于知识图谱的推荐方法
第4章 超图推荐方法
第5章 基于超图的反事实公平推荐方法
第6章 用户关键行为的社交网络增强推荐
第7章 基于微观行为的推荐方法
第8章 基于时间信号的行为转化预测推荐方法
第9章 推荐系统中的对偶理论
第10章E-learning推荐系统中的自组织理论
第11章 推荐系统的托攻击检测

       万珊珊，博士（北京理工大学计算机软件与理论专业），副教授，硕士研究生导师，任职于北京建筑大学电气与信息工程学院，美国Drexel大学访问学者。研究方向为数据挖掘、智能建筑、智能系统设计与优化等。主持国家自然科学基金、北京市教委、北京市青年骨干等多项国家省部级项目；以第一作者发表论文40余篇，其中多篇为一区SCI检索刊源；有多项专利和计算机软件著作权；主编教材10部。担任IEEE Transactions on Knowledge and Data Engineering 和 Knowledge-Based Systems等期刊审稿人。

（1）传统方法与现代技术的交融，既涵盖基于内容的推荐、协同过滤等传统技术，也深入探讨图结构、复杂用户行为与深度学习、强化学习等技术的结合应用，提供了全球领先的技术前沿视角。
（2）理论深度与实践广度相结合，既深入剖析推荐算法的数学原理，又提供丰富的实践指导和方法对比。
（3）经典理论与内核理论的碰撞，既关注推荐系统中基于用户和项目实体关系的推荐理论，又开创对偶性和自组织特性等独特的推荐技术视角。
（4）通用背景与经典案例结合，在商业推荐案例基础上，引入知识推荐案例，以利于读者拓展推荐技术的应用领域。