Awesome Recommender Systems

A curated list of awesome resources about Recommender Systems.

原理篇

内容推荐

Bag of Tricks for Efficient Text Classification - Facebook 开源的文本处理工具 fastText 背后原理。可以训练词嵌入向量，文本多分类，效率和线性模型一样，效果和深度学习一样，值得拥有。 - 2016
The Learning Behind Gmail Priority - 介绍了一种基于文本和行为给用户建模的思路，是信息流推荐的早期探索，Gmail 智能邮箱背后的原理。 - 2010
Recommender Systems Handbook(第三章，第九章) - 这本书收录了推荐系统很多经典论文，话题涵盖非常广，第三章专门讲内容推荐的基本原理，第九章是一个具体的基于内容推荐系统的案例。 - 2010
文本上的算法 - 介绍了文本挖掘中常用的算法，及基础概念。内容涉及概率论，信息论，文本分类，聚类，深度学习，推荐系统等。 - 2016
LDA 数学八卦 - 由浅入深地讲解 LDA 原理，对于实际 LDA 工具的使用有非常大的帮助。 - 2013

近邻推荐

Amazon.com recommendations: item-to-item collaborative filtering - 介绍 Amazon 的推荐系统原理，主要是介绍 Item-Based 协同过滤算法。 - 2001
Slope One Predictors for Online Rating-Based Collaborative Filtering - Slope One 算法。 - 2007
Item-Based Collaborative Filtering Recommendation Algorithms - GroupLens 的研究团队对比了不同的 Item-to-Item 的推荐算法。 - 2001
Collaborative Recommendations Using Item-to-Item Similarity Mappings - 是的，Amazon 申请了 Item-Based 算法的专利，所以如果在美上市企业，小心用这个算法。 - 1998
Recommender Systems Handbook（第 4 章） - 第四章综述性地讲了近邻推荐，也就是基础协同过滤算法。 - 2010

矩阵分解

Matrix Factorization and Collaborative Filtering - 从 PCA 这种传统的数据降维方法讲起，综述了矩阵分解和协同过滤算法。矩阵分解也是一种降维方法。 - 2013
Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model - 把矩阵分解和近邻模型融合在一起。 - 2008
BPR- Bayesian Personalized Ranking from Implicit Feedback - 更关注推荐结果的排序好坏，而不是评分预测精度，那么 BPR 模型可能是首选，本篇是出处。 - 2012
Collaborative Filtering for Implicit Feedback Datasets - 不同于通常矩阵分解处理的都是评分数据这样的显式反馈，本文介绍一种处理点击等隐式反馈数据的矩阵分解模型。 - 2008
Matrix Factorization Techniques For Recommender Systems - 本文是大神 Yehuda Koren 对矩阵分解在推荐系统中的应用做的一个普及性介绍，值得一读。 - 2009
The BellKor Solution to the Netflix Grand Prize - 也是一篇综述，或者说教程，针对 Netflix Prize 的。 - 2009

模型融合

Adaptive Bound Optimization for Online Convex Optimization - FTRL 是 CTR 预估常用的优化算法，本文介绍 FTRL 算法原理。 - 2010
在线最优化求解 - 是对 FTRL 的通俗版解说。 - 2014
Ad Click Prediction: a View from the Trenches - FTRL 工程实现解读。 - 2013
Factorization Machines - 提出 FM 模型的论文，FM 用于 CTR 预估。 - 2010
Field-aware Factorization Machines for CTR Prediction - FFM 模型，用于 CTR 预估。 - 2016
Practical Lessons from Predicting Clicks on Ads at Facebook - 提出了 LR + GBDT 的 CTR 预估模型。 - 2014
Wide & Deep Learning for Recommender Systems - 提出融合深度和宽度模型的Wide&Deep 模型，用于 CTR 预估。 - 2016

Bandit 算法

Introduction to Bandits: Algorithms and Theory - 介绍 bandit 算法概念，理论和算法。分两部分分别对应小的选项候选集和大的选项候选集。 - 2011

深度学习

Deep Neural Networks for YouTube Recommendations - 介绍 YouTube 视频推荐系统在深度神经网络上的尝试。能从中看到 wide&deep 模型的影子。 - 2016

其他实用算法

Detecting Near-Duplicates for Web Crawling - 在这篇论文中提出了 simhash 算法，用于大规模网页去重。 - 2007

工程篇

常见架构

Activity Feeds Architecture - 本文非常详细地介绍了社交动态信息流的架构设计细节。 - 2011

关键模块

Overlapping Experiment Infrastructure- More, Better, Faster Experimentation - ABTest 实验平台的扛鼎之作，Google 出品，值得拥有。 - 2010

效果保证

Tutorial on Robustness of Recommender Systems - 本文非常详细讨论了对推荐系统的攻击和防护，并有实验模拟。 - 2011

大厂实战

Netflix

Hulu

YouTube

Google

谷歌推出TF-Ranking：用于排序算法的可扩展TensorFlow库 - 2018

Microsoft

如何将知识图谱特征学习应用到推荐系统？ - 2018

Amazon

重读经典 | 亚马逊“一键下单”的背后——个性化推荐系统的发展历程 - 2018

allensmile / awesome-recommender-systems Goto Github PK

awesome-recommender-systems's Introduction

Awesome Recommender Systems

原理篇

内容推荐

近邻推荐

矩阵分解

模型融合

Bandit 算法

深度学习

其他实用算法

工程篇

常见架构

关键模块

效果保证

大厂实战

Netflix

Hulu

YouTube

Google

Microsoft

Amazon

Kaggle

美团

今日头条

抖音

微博

爱奇艺

搜狗

优酷

京东

阿里巴巴

腾讯

美图

携程

饿了么

58

搜狐

百度

awesome-recommender-systems's People

Contributors

Watchers

Recommend Projects

Recommend Topics

Recommend Org