本书深入探讨大模型时代推荐系统的核心技术、实战方法与前沿趋势。从推荐系统基础与大模型原理出发，系统讲解大模型与推荐系统的三大结合方式：作为推荐算法、增强传统系统以及构建智能代理。书中包含丰富的实战案例，涵盖提示工程、LangChain部署、联邦学习隐私保护等关键场景，并针对可解释性、公平性等业界难题提供解决方案。适合算法工程师、研究者及希望掌握下一代推荐技术的开发者，助力构建高效、智能且可信的推荐系统。
深入探讨大模型时代推荐系统的核心技术、实战方法与前沿趋势，理论与实践相结合，将大语言模型技术应用到推荐领域；
基本的概念介绍、技术原理，而且还阐述了最新的论文研究，以及大厂的实践与应用案例，帮助研发人员以及对大语言模型赋能到推荐领域感兴趣的读者更好地开展工作和研究。
适合算法工程师、研究者及希望掌握下一代推荐技术的开发者，助力构建高效、智能且可信的推荐系统。
刘璐，北京大学硕士，研究和从事NLP与推荐算法8年多，曾开发和上线过多个推荐系统，包括信息流推荐系统、音乐推荐系统、广告推荐系统等，日请求数高达百亿。 张玉君，熟悉推荐系统的组成部分与架构，对推荐系统与深度学习模型及大语言模型的结合有深入研究和实战经验。熟悉并开发过多种模型结构，负责推荐算法领域的算法架构设计，大语言模型算法的上线和演进等工作。
第 1章 绪论 001
1.1 无处不在的推荐系统 001
1.2 推荐系统的技术演变 003
1.3 大模型概述 005
1.4 大模型与推荐系统结合 006
第 2章 推荐系统基础 009
2.1 基本推荐算法概览 009
2.2 基于协同过滤的推荐方法 010
2.3 基于特征的推荐方法 018
2.4 基于序列的推荐方法 028
2.5 推荐系统的设计与构建 033
第3章 大模型基础 054
3.1 自然语言处理与语言模型 054
3.2 Transformer 060
3.3 大模型的构建与应用 072
第4章 大模型在推荐系统中的应用 085
4.1 大模型与推荐系统的结合 085
4.2 大模型在推荐系统中的应用范式 087
4.3 推荐大模型的预训练 093
4.4 推荐大模型的微调 100
4.5 常用的推荐数据集 106
第5章 大模型作为推荐模型 111
5.1 基于大模型的推荐召回 112
5.2 基于大模型的序列推荐 118
5.3 基于大模型的推荐排序 124
5.4 融合协同信息与语义知识 133
5.5 基于检索增强的大模型推荐 137
第6章 大模型增强推荐系统 151
6.1 大模型构建特征工程 151
6.2 大模型构建图 165
6.3 大模型增强冷启动推荐 175
6.4 基于大模型蒸馏的推荐 183
第7章 可信的大模型推荐系统 196
7.1 推荐系统的可解释性 197
7.2 推荐系统的公平性 202
7.3 推荐系统的隐私性 207
7.4 推荐系统的时效性 214
7.5 推荐系统的遗忘 218
第8章 基于大模型智能代理的推荐系统 226
8.1 基于大模型的智能代理 226
8.2 推荐系统中的大模型智能代理 232
8.3 基于大模型智能代理的推荐系统 238
第9章 大模型推荐系统的评估与部署 248
9.1 大模型的评估方法 248
9.2 推荐系统的评估方法 252
9.3 大模型的部署 265
9.4 大模型的压缩 272
9.5 基于LangChain搭建大模型推荐系统 277
第 10章 总结与展望 287
10.1 大模型是银子弹吗 288
10.2 开放性问题 289
10.3 关于大模型与推荐的60个问题 290
新书资讯
