前言

随着互联网技术的飞速发展和信息量的爆炸式增长，用户在面对海量在线信息时，如何高效、精准地获取自身感兴趣的内容已成为一项重大挑战。推荐系统作为应对信息过载的核心技术，通过分析用户历史行为与偏好，主动为用户筛选并呈现其可能感兴趣的信息，从而极大地提升了信息获取效率与用户体验，目前已广泛应用于电子商务、社交媒体、新闻资讯、音视频流媒体等众多领域。近年来，深度学习技术，特别是图神经网络和对比学习，在推荐系统研究中取得了显著进展。然而，现有的推荐方法仍面临诸多挑战： 如何精准建模用户物品交互中的差异化重要性？如何有效捕捉用户兴趣的动态演化趋势？如何在利用多模态、多行为等辅助信息时避免噪声干扰，并实现有效的语义对齐？特别是，如何将近年来兴起的扩散模型的强大生成能力与上述挑战相结合，以构建更强大、更健壮的推荐系统，这是当前研究的前沿与难点。

本书针对上述挑战进行了系统性的探索与创新，旨在将扩散模型的细粒度生成能力、图神经网络的关系建模能力、对比学习的自监督增强优势以及多模态数据的强大语义表达能力相结合，构建一系列新颖的推荐模型，以提升推荐性能、可解释性和健壮性。

全书共分为15章。第1、2章为绪论和相关理论与技术，系统阐述了推荐系统、图神经网络、图对比学习、主成分分析、扩散模型及多模态融合的基础知识、研究现状以及所面临的挑战。第3~14章为核心内容，详细介绍了本书提出的5类（共12种）创新性推荐模型： ①基于图神经网络的推荐方法（第3、4章）； ②基于对比学习的推荐方法（第5、6章）； ③基于扩散模型的推荐方法（第7、8章）； ④基于扩散模型增强对比学习的推荐方法（第9~11章）； ⑤基于扩散模型增强多模态的推荐方法（第12~14章）。第15章系统总结了全书内容，并对未来研究方向进行了展望。

莫先负责全书的整体构思、核心算法设计、撰写、统稿和定稿。董婷婷（第8~11章、第15章）、谢晴晴（第13、14章）、胡怡君（第7、12章）和贺笑儒（第1~6章）负责相应章节的资料翻译和图表整理工作。

本书的研究工作得到宁夏回族自治区重点研发计划引才专项（项目批准号： 2025BEH04048）、国家自然科学基金

资助项目（项目批准号： 62306157）和宁夏回族自治区自然科学基金资助项目（项目批准号： 2024AAC05011）的资助。 

由于作者水平有限，书中难免存在疏漏和不妥之处，敬请各位读者和专家批评指正。

莫先

2026年6月