系统基础、方法与技术 教学大纲

东北大学本科课程教学大纲1.课程基本信息开课单位计算机科学与工程学院课程代码A3701012060中文名称推荐系统英文名称RecommenderSystem总学时32理论学时32实验学时上机学时设计学时课外学时学分2课程类型█理论课程£理论（含实验）课程£实践类课程理论课程性质□公共课程□学科基础□专业核心█专业方向□通识课程适用专业计算机科学与技术、人工智能、物联网工程先修课程数据结构、机器学习建议开课学期□1-1□1-2□2-1□2-2□3-1□3-2█4-1□4-2□5-1□5-2□*（代表每学期都开设）考核方式□考试█考查成绩分制□百分制█五级分制□二级分制使用教材推荐系统基础、方法与技术，杨晓春著，机械工业出版社，2026.1参考书及教学资源1、推荐系统：原理与实践，［美］查鲁·C.阿加沃尔著（王宏志译），机械工业出版社2、推荐系统：技术、评估及高效算法，FrancescoRicci、LiorRokach、BrachaShapira、PaulB.Kantor著（李艳民、胡聪、吴宾、王雪丽、丁彬钊译），机械工业出版社.2018.6其他说明2.课程简介中文描述推荐系统课程是计算机专业本科生的选修课。通过本课程的学习使学生了解推荐技术在整个计算机应用发展中的作用、优势以及重要性。在本课程的学习中，使学生掌握一定的推荐算法理论并熟练掌握推荐系统的相关知识，能够进行推荐系统设计。通过本课程学习使学生了解推荐系统中的经典处理策略。课程划分为两部分内容。1)推荐系统基本理论：介绍推荐系统的基本理论和核心算法，包括推荐系统中的数据挖掘理论、基于近邻的协同过滤、基于模型的协同过滤、基于内容的推荐、基于知识的推荐系统等；2)推荐系统的应用与评估：介绍应用基本理论和核心算法实现推荐系统，包括推荐系统评估、电子商务推荐系统、学术推荐系统等面向应用的内容。本课程的目标是传授学生推荐系统的基本理论，培养学生使用、设计推荐系统的基本能力，为后续学习更深入的数据挖掘、社交网络分析等理论课打下基础。EnglishDescriptionRecommenderSystemisanelectivecourseforundergraduatesmajoringinComputerScience.Throughthiscourse,studentswillunderstandtherole,advantagesandimportanceofrecommendationtechnologyinthedevelopmentofcomputerapplication.Inthiscourse,studentscanmasterthealgorithms,theoriesandrelevantknowledgeofrecommendersystems.Alsostudentswilllearnaboutthetypicalstrategiesinrecommendersystems.Thecourseisdividedintotwoparts.1)Basictheoriesofrecommendersystems:basictheoriesandcorealgorithmsofrecommendersystemswillbeintroduced,includingdataminingtheoriesinrecommendersystem,recommendationbasedonneighbor,model,contentorknowledge,etc.2)Applicationandevaluationofrecommendersystems:inthispart,wewillintroducetheapplicationofbasictheoriesandcorealgorithmstoimplementrecommendersystems,includingrecommendersystemevaluation,e-commercerecommendersystemsandacademicrecommendersystems.Thiscourseaimstoteachstudentsthebasictheoriesofrecommendersystems,cultivatestudents'basicabilitiesofusinganddesigningrecommendersystems,andlayafoundationforfurthertheoreticalcoursessuchasdataminingandsocialnetworkanalysis.3.课程目标3.1课程目标目标1:能够掌握推荐系统基本理论，能够对推荐系统的设计方案和所建模型的正确性进行验证，分析模型的局限性，并进行优化。目标2:能够掌握推荐系统核心算法开发过程，了解深度学习等新技术在推荐系统领域的发展与应用，能够综合考虑多种因素，对推荐模型进行分析、使用及设计。3.2课程目标与毕业要求支撑关系课程目标支撑的毕业要求（或指标点）及内容描述程度（H/M/L）权重1指标点1-4：能对计算系统的设计方案和所建模型或系统的正确性进行推理、验证，分析模型的局限性，并进行优化。M0.32指标点3-2：能够根据特定需求确定设计目标，综合运用理论和技术手段设计出满足需求的软件系统、单元（部件）或工艺流程的解决方案，并在解决方案中体现创新意识。H0.4注：1.公共基础课程不填写3.2部分。2.建议每个课程目标对应一条毕业要求（或指标点）。3.程度选填H\M\L，H-支撑程度高、M-支撑程度中、L-支撑程度低。4.权重：课程目标对毕业要求的支撑权重，权重之间没有直接联系，其和可不为1，具体值由专业确定。4.课程安排知识模块（章节）教学内容教学要求学时分配教学方法对应课程目标理论实验上机设计课外第一章推荐系统概述教学内容：推荐系统的目标、推荐系统的基本模型、推荐系统领域特有的挑战重点：推荐系统的基本模型难点：推荐系统的主流架构1)了解推荐系统的概念及发展历史；2)掌握推荐系统的主流架构；3)培养学生爱国主义精神。2课堂讲授目标1第二章基于近邻的协同过滤教学内容：评分矩阵的性质、基于近邻的评分预测方法、聚类和基于近邻的图模型重点：协同过滤的基本思想难点：基于近邻的评分预测方法1)掌握协同过滤的基本思想、评分矩阵的关键性质、基于近邻的评分预测方法；2)了解降维与近邻方法、回归模型的基本思想、基于近邻的图模型；3)能够对基于近邻的协同过滤设计方案和所建模型的正确性进行验证，分析模型的局限性，并进行优化；4)能够综合考虑多种因素，对基于近邻的协同过滤模型进行分析、比较及论证；5)具有工程师工匠精神。4课堂讲授，案例教学目标1目标2第三章基于模型的协同过滤教学内容：决策和回归树、基于规则的协同过滤、朴素贝叶斯协同过滤、潜在因子模型、集成因子分解和近邻模型重点：基于朴素贝叶斯的协同过滤方法难点：潜在因子模型1)掌握决策树和回归树的基本思想、基于规则的协同过滤方法、基于朴素贝叶斯的协同过滤方法；2)了解潜在因子模型、集成因子分解和近邻模型。3)能够对基于模型的协同过滤设计方案和所建模型的正确性进行验证，分析模型的局限性，并进行优化；4)能够综合考虑多种因素，对基于模型的协同过滤模型进行分析、比较及论证；5)具有工程师工匠精神。4课堂讲授，案例教学目标1目标2第四章基于内容的推荐系统教学内容：预处理和特征提取、用户画像和过滤重点：用户画像和过滤难点：内容相似度度量1)掌握基于内容的推荐系统的基本组件、预处理和特征提取策略、学习用户画像和过滤、内容相似度度量等策略；2)了解如何将基于内容的模型用于协同过滤。3)能够对基于内容的推荐系统设计方案和所建模型的正确性进行验证，分析模型的局限性，并进行优化；4)能够综合考虑多种因素，对基于内容的推荐系统进行分析、比较及论证；5)具有工程师工匠精神。4课堂讲授，案例教学目标1目标2第五章基于知识的推荐系统教学内容：基于约束的推荐系统、基于案例的推荐系统、基于知识的系统的持久个性化重点：基于约束的推荐系统难点：基于实例的推荐方法1)掌握基于知识的推荐方法、基于约束的推荐方法、基于效用的推荐方法；2)了解基于实例的推荐方法。3)能够对基于知识的推荐系统设计方案和所建模型的正确性进行验证，分析模型的局限性，并进行优化；4)能够综合考虑多种因素，对基于知识的推荐系统进行分析、比较及论证。4课堂讲授，案例教学目标1目标2第六章基于集成的混合推荐系统教学内容：集成方法、加权型混合系统、切换型混合系统、级联型混合系统、其它混合系统重点：混合推荐系统的基本概念难点：加权型混合系统的基本思想1)掌握混合推荐系统的基本概念、加权型混合系统的基本思想；2)了解切换型混合系统、级联型混合系统、特征放大型混合系统、元级型、特征组合型及交叉型混合系统的基本思想；3)能够对基于集成的混合推荐系统设计方案和所建模型的正确性进行验证，分析模型的局限性，并进行优化；4)能够综合考虑多种因素，对基于集成的混合推荐系统进行分析、比较及论证。4课堂讲授目标1目标2第七章推荐系统评估教学内容：推荐系统的评估范例、评估设计的总体目标、离线推荐评估的设计要点、离线评估的精确性指标重点：评估指标的定义难点：离线推荐评估的设计要点1)了解各种评估视角的不同之处、离线实验数据集的构成；2)掌握评估指标的定义、离线推荐评估的设计要点；3)能够从技术角度，对推荐系统设计方案的可行性进行评价和分析。2课堂讲授，案例教学目标2第八章上下文敏感的推荐系统教学内容：多维方法、上下文预过滤、上下文建模重点：上下文敏感的推荐系统的相关概念难点：上下文推荐的多维模型1)了解上下文敏感的推荐系统的相关概念、上下文推荐的多维模型、上下文预过滤方法、后过滤方法；2)能够对上下文敏感的推荐系统设计方案和所建模型的正确性进行验证，分析模型的局限性，并进行优化；3)能够综合考虑多种因素，对上下文敏感的推荐系统进行分析、比较及论证。4课堂讲授，案例教学，目标1目标2第九章时间与位置敏感的推荐系统教学内容：时间协同过滤、离散时间模型、位置感知推荐系统重点：时间协同过滤模型难点：位置感知推荐系统1)了解时间协同过滤模型、离散时间模型、位置感知推荐系统；2)能够对时间与位置敏感的推荐系统设计方案和所建模型的正确性进行验证，分析模型的局限性，并进行优化；3)能够综合考虑多种因素，对基于时间与位置敏感的推荐系统进行分析、比较及论证。4课堂讲授，案例教学目标1目标2总学时3232注：1.每一教学内容至少对应一条课程目标。2.教学内容：介绍主要的教学内容，教学重点难点等。3.教学要求：简要给出学习成效（知识、能力、素质达成程度等），体现出对课程目标的支撑。4.教学方法：应该有支撑课程目标达成的手段和方法，如课堂讲授、专题研讨、案例教学、实验上机、实地调研等。5.课程考核5.1课程成绩评定方法(1)采取理论讲授+随堂测验+期末考试等途径实现课程教学目标的达成。成绩评定采用期中考试成绩+平时成绩+期末考试成绩。(2)成绩评定方法：1)期中考试成绩占总成绩40%，题型将涵盖一到四章知识点，类型简答和分析设计题，课程组老师统一命题、评卷、给出成绩。2)平时成绩占总成绩20%，根据随堂测验成绩和课堂表现评定成绩，重点考查学生阶段性的学习成果，完善过程管理和过程考核。3)期末考试成绩占总成绩40%，题型将涵盖所有知识点，类型简答和分析设计题，难度涉及基本、灵活运用和创新题，课程组老师统一命题、评卷、给出成绩。5.2课程目标与考核形式的关系课程目标考核形式及其成绩占比（%）分值及成绩比例%期中考试平时表现期末考试120102050220102050合计4020401006.附加项6.1课程目标达成标准本课程的总体评价标准如下：目标1：完全掌握推荐系统基本理论，能够对推荐系统的设计方案和所建模型的正确性进行验证，分析模型的局限性，并进行优化；目标2：完全掌握推荐系统核心算法开发过程，了解深度学习等新技术在推荐系统领域的发展与应用，能够综合考虑多种因素，对推荐模型进行分析、比较及论证。目标1：较好地掌握推荐系统基本理论，能够对推荐系统的设计方案和所建模型的正确性进行验证，分析模型的局限性，并进行优化；目标2：较好地掌握推荐系统核心算法开发过程，了解深度学习等新技术在推荐系统领域的发展与应用，能够综合考虑多种因素，对推荐模型进行分析、比较及论证。目标1：基本掌握推荐系统基本理论，基本能够对推荐系统的设计方案和所建模型的正确性进行验证，分析模型的局限性，并进行优化；目标2：基本掌握推荐系统核心算法开发过程，基本了解深度学习等新技术在推荐系统领域的发展与应用，基本能够综合考虑多种因素，对推荐模型进行分析、比较及论证。目标1：不能掌握推荐系统基本理论，不能对推荐系统的设计方案和所建模型的正确性进行验证，分析模型的局限性，并进行优化；目标2：不能掌握推荐系统核心算法开发过程，深度学习等新技术在推荐系统领域的发展与应用了解得不够清晰，不能综合考虑多种因素，对推荐模型进行分析、比较及论证。（1）期中成绩：期中成绩总分40分。评分标准为：课程目标评分标准36-40分32-35分24-31分0-23分掌握推荐系统基本理论，包括：了解推荐系统的概念、发展历史、主流架构以及主要难点，掌握常用的机器学习算法，掌握核心的推荐算法，掌握推荐系统算法性能的优化策略。完全掌握推荐系统基本理论，了解推荐系统的概念、发展历史、主流架构以及主要难点，掌握常用的机器学习算法，完全掌握核心的推荐算法，完全掌握推荐系统算法性能的优化策略。较好地掌握推荐系统基本理论，了解推荐系统的概念、发展历史、主流架构以及主要难点，掌握常用的机器学习算法，较好地掌握核心的推荐算法，掌握推荐系统算法性能的优化策略。基本掌握推荐系统基本理论，了解推荐系统的概念、发展历史、主流架构以及主要难点，基本掌握常用的机器学习算法，基本掌握核心的推荐算法，基本掌握推荐系统算法性能的优化策略。不能掌握推荐系统基本理论，对推荐系统的概念、发展历史、主流架构以及主要难点了解得不全面，不能掌握常用的机器学习算法，不能掌握核心的推荐算法，不能掌握推荐系统算法性能的优化策略。具备设计并分析推荐模型的能力，包括：掌握推荐系统核心算法开发过程，了解深度学习等新技术在推荐系统领域的发展与应用。具备强的设计并分析推荐模型的能力，包括：完全掌握推荐系统核心算法开发过程，了解深度学习等新技术在推荐系统领域的发展与应用。具备较强的设计并分析推荐模型的能力，包括：较好地掌握推荐系统核心算法开发过程，了解深度学习等新技术在推荐系统领域的发展与应用。具备一定的设计并分析推荐模型的能力，包括：基本掌握推荐系统核心算法开发过程，了解深度学习等新技术在推荐系统领域的发展与应用。设计并分析推荐模型的能力有所欠缺，包括：不能掌握推荐系统核心算法开发过程，对深度学习等新技术在推荐系统领域的发展与应用了解得不全面。（2）平时表现：平时表现可通过回答问题、分组讨论、演讲汇报等方式进行考核，总分20分。评分标准为：课程目标评分标准18-20分16-17分12-15分0-11分掌握推荐系统基本理论，包括：了解推荐系统的概念、发展历史、主流架构以及主要难点，掌握常用的机器学习算法，掌握核心的推荐算法，掌握推荐系统算法性能的优化策略。能够针对复杂应用环境较好地开展方案设计、优化。能够针对较为复杂的应用环境，开展方案设计、优化。能够针对简单应用环境，开展方案设计、优化。不能针对具体应用环境开展方案设计、优化。具备设计并分析推荐模型的能力，包括：掌握推荐系统核心算法开发过程，了解深度学习等新技术在推荐系统领域的发展与应用。思路清晰，逻辑性强，能够较好地将新技术应用于推荐模型设计之中。思路较清晰，逻辑性较强，能够将新技术应用于推荐模型设计之中。基本能够将新技术应用于推荐模型设计之中。不能将新技术应用于推荐模型设计之中。（3）期末成绩：期末成绩总分40分。评分标准为：课程目标评分标准36-40分32-35分24-31分0-23分掌握推荐系统基本理论，包括：了解推荐系统的概念、发展历史、主流架构以及主要难点，掌握常用的机器学习算法，掌握核心的推荐算法，掌握推荐系统算法性能的优化策略。完全掌握推荐系统基本理论，了解推荐系统的概念、发展历史、主流架构以及主要难点，掌握常用的机器学习算法，完全掌握核心的推荐算法，完全掌握推荐系统算法性能的优化策略。较好地掌握推荐系统基本理论，了解推荐系统的概念、发展历史、主流架构以及主要难点，掌握常用的机器学习算法，较好地掌握核心的推荐算法，掌握推荐系统算法性能的优化策略。基本掌握推荐系统基本