推荐系统资料收集
Fire 2017.12.04
做了一个推荐系统demo：
- 基于Surprise实现的具有完整功能的推荐系统服务，并利用flask框架实现了简单的接口调用
- 封装了完整的更新日志数据、训练、根据id查询推荐结果等功能
- 包含了常见的SVD、FM等算法
0.主题式学习
1.书籍
2.文章 / 专栏 / ppt
- 推荐系统老司机的十条经验 / Xavier Amatriain
- Netflix前推荐引擎总监Xavier在KDD2014上的压轴分享「The Recommender Problem Revisited」
- 基于用户协同过滤与基于物品协同过滤的比较
- 21天搭建推荐系统：实现“千人千面”个性化推荐（含视频）
- 探索推荐引擎内部的秘密
- 推荐系统有哪些坑？
- 个性化推荐系统的六个问题
- deep learning 可以用来做推荐系统吗？
- 社交网络为用户进行「个性化推荐」的做法，是否会导致人们「难以接触到意见相左的人」？
- 专治选择困难症——bandit算法
- MovieTaster-使用Item2Vec做电影推荐
- 推荐系统实战之FM（Factorization Machine）算法——keras算法练习
- 推荐系统干货总结
3.论文
- Deep Learning based Recommender System: A Survey and New Perspectives，SHUAI ZHANG，2017 | 【笔记】
- A Survey on Recommendation System with Collaborative Filtering using Big Data，Sonali R. Gandhi，2017 | 【笔记】
- Survey on Recommendation System，Lipi Shah，2016
- 推荐系统研究进展，朱扬勇，孙 婧，2015
- Context-Aware Recommender Systems，Gediminas Adomavicius，2013
- Toward the Next Generation of Recommender Systems: Applications and Research Challenges，Alexander Felfernig，2013
- Performance of recommender algorithms on top-N recommendation tasks，Paolo Cremonesi，2010
- A Survey of Collaborative Filtering Techniques，Xiaoyuan Su，2009 | 【笔记】
- 个性化推荐系统的研究进展，刘建国，2009
- Introduction To Recommender Systems: Algorithms and Evaluation，ACM，2004
- 知乎|推荐系统有哪些比较好的论文？
- 推荐系统的循序进阶读物（从入门到精通）
- 2016 RecSys 参会总结
- RecSys 2017
- awesome-RecSys-papers
4.现有产品
现有产品一般都不会说明实现方式，大多数成熟商用的推荐系统都是混合型的。
本来应该是另一个“不便回答”的问题。但有人盛情邀请，所以稍微说一下。豆瓣电台的私人电台会综合用户在豆瓣上的各种音乐行为做算法推荐。当然考虑最多的是电台本身的“红心”， “垃圾”， “跳过”这些数据。至于算法本身，在任何领域里，超出基本的普通推荐算法之后，就没有“亢龙有悔”一招打遍天下的东西。可以说全是细节。这个是不断积累、观察、学习、创造的过程，而且每天在持续变化。做推荐是在一条没有终结的马路上一边攒车一边开车，教科书、论文里的东西都是基本的零件，中间碰到各种奇奇怪怪的算法都可能被捡起来装到车上。Swiss army knife, yes. Silver bullet, no.
-
知乎|网易云音乐的歌单推荐算法是怎样的？(高票答案实际讲的在netflix推荐算法比赛获奖的潜在因子（Latent Factor）算法)
-
Youtube 视频推荐|Deep neural networks for YouTube recommendations
-
亚马逊/京东/淘宝 商品推荐
-
豆瓣 电影/图书/内容推荐
-
知乎 用户推荐
-
豆瓣fm/网易云 音乐推荐