加餐 | 推荐系统的参考阅读

刑无刀



该思维导图由 AI 生成，仅供参考

专栏主体内容已经结束了，在专栏写作的过程中，我阅读了很多业界公开的资料，我觉得有必要整理出来，供想深入阅读的人继续去找虐。
整体来说，在选择参考文献时，我偏爱那些由公司发表的。因为推荐系统本质上还是一种非常依赖实践的算法应用方向，并且，这些商业公司论文中的技术内容也在他们实际的场景中经过了检验。
另外，更多的内容是来自我自己的大脑中，所以我在下面列出来的只是一部分，在经过反复删减之后，保留了这些，有中文有英文，一般来说英文居多。有较理论化的，如优化理论，更多的是较实践派，可以学完即用。这些资料分成这么几个类型。
论文：以论文形式发表的，期刊数据库中可以下载到。
网络文章：就是在网上自由流传的内容或者博客，为了方便阅读，我将它们保存为 PDF 格式。
演示文稿：就是作者曾公开演讲过的内容，相对来说不是那么严谨，但是更容易理解。
书：推荐系统相关的书较少，我在专栏中参考过的书只有一本（附件中不提供书的电子文档）。
以上的参考文献我按照章节顺序列在了下面，我还在后面附上一个推荐书单。你可以点击查看。
原理篇1. 内容推荐题目：Bag of Tricks for Efficient Text Classification
类型：论文作者：Facebook说明：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。
题目：The Learning Behind Gmail Priority Inbox
类型：论文作者：Google说明：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。
题目：Recommender Systems Handbook(第三章，第九章)
类型：书作者：Francesco Ricci 等说明：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。
题目：文本上的算法
类型：网络文章 (网络免费版，已有成书《文本上的算法: 深入浅出自然语言处理》，内容更丰富)作者：路彦雄说明：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。
题目：LDA 数学八卦
类型：网络文章作者：Rickjin(@靳志辉)说明：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。
2. 近邻推荐题目：Amazon.com recommendations: item-to-item collaborative filtering
类型：论文作者：Amazon说明：介绍 Amazon 的推荐系统原理，主要是介绍 Item-Based 协同过滤算法。
题目：Slope One Predictors for Online Rating-Based Collaborative Filtering
类型：论文作者：Daniel Lemire 等说明：Slope One 算法。
题目：Item-Based Collaborative Filtering Recommendation Algorithms
类型：论文作者：Badrul Sarwar 等说明：GroupLens 的研究团队对比了不同的 Item-to-Item 的推荐算法。
题目：Collaborative Recommendations Using Item-to-Item Similarity Mappings
类型：专利作者：Amazon说明：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。
题目：Recommender Systems Handbook（第 4 章）
类型：书作者：Francesco Ricci 等说明：第四章综述性地讲了近邻推荐，也就是基础协同过滤算法。
3. 矩阵分解题目：Matrix Factorization and Collaborative Filtering
类型：演示文稿作者：Daryl Lim说明：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。
题目：Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model
类型：论文作者：Yehuda Koren说明：把矩阵分解和近邻模型融合在一起。
题目：BPR- Bayesian Personalized Ranking from Implicit Feedback
类型：论文作者：Steffen Rendle 等说明：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。
题目：Collaborative Filtering for Implicit Feedback Datasets
类型：论文作者：Yifan Hu 等说明：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。
题目：Matrix Factorization Techniques For Recommender Systems
类型：论文作者：Yehuda Koren 等说明：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。
题目：The BellKor Solution to the Netflix Grand Prize
类型：论文作者：Yehuda Koren说明：也是一篇综述，或者说教程，针对 Netflix Prize 的。
4. 模型融合题目：Adaptive Bound Optimization for Online Convex Optimization
类型：论文作者：Google说明：FTRL 是 CTR 预估常用的优化算法，本文介绍 FTRL 算法原理。
题目：在线最优化求解
类型：网络文章作者：冯扬说明：是对 FTRL 的通俗版解说。
题目：Ad Click Prediction: a View from the Trenches
类型：论文作者：Google说明：FTRL 工程实现解读。
题目：Factorization Machines
类型：论文作者：Steffen Rendle说明：提出 FM 模型的论文，FM 用于 CTR 预估。
题目：Field-aware Factorization Machines for CTR Prediction
类型：论文作者：Yuchin Juan说明：FFM 模型，用于 CTR 预估。
题目：Practical Lessons from Predicting Clicks on Ads at Facebook
类型：论文说明：提出了 LR + GBDT 的 CTR 预估模型。
题目：Wide & Deep Learning for Recommender Systems
类型：论文作者：Google说明：提出融合深度和宽度模型的Wide&Deep 模型，用于 CTR 预估。
5.Bandit 算法题目：Introduction to Bandits- Algorithms and Theory Part 1- Bandits with small sets of actions
类型：演示文稿作者：Jean-Yves Audibert 等说明：介绍 bandit 算法概念，理论和算法，这部分主要针对小的选项候选集。
题目：Introduction to Bandits- Algorithms and Theory Part 2- Bandits with large sets of actions
类型：演示文稿作者：Jean-Yves Audibert 等说明：介绍 Bandit 算法概念，理论和算法，这部分主要针对较大的选项候选集。
题目：A Contextual-Bandit Approach to Personalized News Article Recommendation
类型：论文作者：Yahoo说明：Linucb 的原始论文，考虑上下文的 Bandit 算法。
题目：Collaborative Filtering Bandits
类型：论文作者：Shuai Li 等说明：Bandit 算法与协同过滤结合，提出 COFIBA 算法。
6. 深度学习题目：Deep Neural Networks for YouTube Recommendations
类型：论文作者：Google说明：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。
题目：Efficient Estimation of Word Representations in Vector Space
类型：论文作者：Google说明：Word2Vec 的作者在这篇文章中提出了一种词嵌入向量学习方法，也就是把开源工具包 Word2Vec 背后的模型详细介绍了一次。理论上很简单，更多是一些工程技巧的分享。Word2Vec 给推荐系统带来了一种新的隐因子向量学习方法，深陷评分预测泥潭的矩阵分解被开拓了思路。
题目：Item2Vec: Neural Item Embedding for Collaborative Filtering
类型：论文作者：Microsoft说明：这篇就是借鉴了 word2vec 在语言建模中的思路，为推荐系统的行为建模，从中为物品学习嵌入向量。
题目：Learning Representations of Text using Neural Networks
类型：演示文稿作者：Google说明：理解为 word2vec 作者写一个教程。
题目：Long Short-Term Memory
类型：论文作者：Sepp Hochreiter 等说明：可以用来为序列建模的 LSTM，实际上在 1997 年就发表论文了，只是在十几年后才大火。
题目：An Empirical Exploration of Recurrent Network Architectures
类型：论文作者：Google说明：Google 在 RNN 模型使用上的经验分享。
题目：Recurrent Neural Networks for Collaborative Filtering
类型：网络文章作者：Erik Bernhardsson说明：这是 Erik Bernhardsson 在 Spotify 期间所做的尝试，用 RNN 自动构建音乐播单。Erik Bernhardsson 还有一项开源项目 Annoy，用于稠密向量的近邻搜索，在推荐系统中也用得较多。
7. 其他实用算法题目：Detecting Near-Duplicates for Web Crawling
类型：论文作者：Google说明：在这篇论文中提出了 simhash 算法，用于大规模网页去重。
题目：Weighted Random Sampling over Data Streams
类型：论文作者：Pavlos S. Efraimidis说明：对流式数据的加权采样。
题目：Weighted Sampling Without Replacement from Data Streams
类型：论文：作者：Vladimir Braverman 等说明：介绍了两种对流式数据的加权采样。

公开

同步至部落

取消

完成

0/2000

荧光笔

直线

曲线

笔记

复制

AI

深入了解
翻译
英语
中文简体
中文繁体
法语
德语
日语
韩语
俄语
西班牙语
阿拉伯语
解释
总结

这篇文章分享了一系列推荐系统的参考资料，涵盖了内容推荐、近邻推荐、矩阵分解、模型融合、Bandit算法和深度学习等多个方面。其中包括来自Facebook和Google等公司的论文，以及一些网络文章和演示文稿。这些资料涵盖了推荐系统的基本原理、算法应用和实践经验，对于想深入了解推荐系统的人来说具有很高的参考价值。文章中列举了一些具体的资料，如Facebook开源的文本处理工具fastText的原理、Gmail Priority Inbox的学习方法、以及矩阵分解和协同过滤算法的相关论文等。这些资料不仅涵盖了理论性的知识，还包括了实践中的应用技巧，对于推荐系统的研究和实践都具有指导意义。总的来说，这些资料可以帮助读者深入了解推荐系统的原理和应用，为他们在实际工作中提供参考和指导。

仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《推荐系统三十六式》，新⼈⾸单¥59

立即购买

登录后留言

全部留言(12)

最新
精选

网名
《信号与噪声》和《复杂》有很多个版本，老师推荐的是哪个作者的？
作者回复: 作者分别是：纳特.西尔弗；梅拉尼·米歇尔。
2019-10-20

1
北冥Master
1.打包文件下载不了了 2.这么多内容全部看完搞懂加上实践需要多少功夫，作者真是牛人
编辑回复: 已经修复为GitHub地址，你再看看哈
2019-07-17


风的轨迹
有陈老师的筛选，我们就不用去花时间分辨好坏了，撸起袖子，准备啃啦😝
2018-05-28

5
周
已经收藏，一周看一篇
2018-05-28

2
chaoYue()
没想到还打包整理了真是太棒了
2018-06-01

1
JOJO_北竞王
太棒了，收藏慢慢啃😍
2018-05-28

1
欧米伽小恶魔
谢谢老师，我肯定会读的!
2024-02-16归属地：上海


FF
一年以后又回来反复看~
2019-09-09


好想领只小柯基
感谢老师,争取坚持考下来
2018-12-24


🐱您的好友William🐱
感谢老师！
2018-10-25



收起评论