推荐算法学习资料总结

7emsp;本文综合整理了一些关于推荐算法的资料，资料来源注明在文章尾。

Books：

1.《推荐系统实践》项亮
入门级教材，很薄，可以很快就看完，把很多基础而简单的问题讲的很详细。总体来说，此书性价比很高，值得入手一本研读
我买书喜欢上亚马逊, 因为亚马逊上很多都可以试读，这本书亚马逊就提供了试读，推荐大家先去试读下，再决定有没有购买价值。

2.《Recommender Systems Handbook》Paul B. Kantor
有这本书就不用其它的了，很细很全，就是英文原版的有点小贵，真有志于做推荐系统的才去买吧，用到哪就翻书查。按人家的说法，所有敢自称handbook的书都是神书，没看过这本书出去吹牛逼时你都不好意思说自己是做推荐的。

3. Programming collective intelligence: building smart web 2.0 applications[M]
寓教于乐的一本入门教材，附有可以直接动手实践的toy级别代码

4. Jannach D, Zanker M, Felfernig A, et al. Recommender systems: an introduction[M]. Cambridge University Press, 2010
可以认为是2010年前推荐系统论文的综述集合

5. Celma O. Music recommendation and discovery[M]. Springer, 2010
主要内容集中在音乐推荐，领域非常专注于音乐推荐，包括选取的特征，评测时如何考虑音乐因素。

6. Word sense disambiguation: Algorithms and applications[M]. Springer Science+ Business Media,2006
如果涉及到关键词推荐，或是文本推荐，则可以查阅该书。

Conference & Journal:
the ACM Conference on Recommender Systems,Recsys
链接：https://recsys.acm.org/
KDD
链接：http://www.kdd.org/
Special Interest Group on Information Retrieval,SIGIR
链接：http://sigir.org/

Papers：

综述类:

2002 - Hybrid Recommender Systems: Survey and Experiments
2005 - Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions。最经典的推荐算法综述
2009 - 个性化推荐系统的研究进展.周涛等
2011 - Collaborative Filtering Recommender Systems. JB Schafer 关于协同过滤最经典的综述
2012 - 项亮的博士论文《动态推荐系统关键技术研究》
2012 - Recommender systems L Lü, M Medo, CH Yeung, YC Zhang, ZK Zhang, T Zhou Physics Reports 519 (1), 1-49 （https://arxiv.org/abs/1202.1112）
2017-基于深度学习的推荐系统_黄立威

协同过滤：

1.matrix factorization techniques for recommender systems. Y Koren
2.Using collaborative filtering to weave an information Tapestry. David Goldberg （协同过滤第一次被提出）
3.Item-Based Collaborative Filtering Recommendation Algorithms. Badrul Sarwar , George Karypis, Joseph Konstan .etl
4.Application of Dimensionality Reduction in Recommender System -- A Case Study. Badrul M. Sarwar, George Karypis, Joseph A. Konstan etl
5.Probabilistic Memory-Based Collaborative Filtering. Kai Yu, Anton Schwaighofer, Volker Tresp, Xiaowei Xu,and Hans-Peter Kriegel
6.Recommendation systems:a probabilistic analysis. Ravi Kumar Prabhakar Raghavan.etl
7.Amazon.com recommendations: item-to-item collaborative filtering. Greg Linden, Brent Smith, and Jeremy York
8.Evaluation of Item-Based Top- N Recommendation Algorithms. George Karypis
9.Probabilistic Matrix Factorization. Ruslan Salakhutdinov
10.Tensor Decompositions,Alternating Least Squares and other Tales. Pierre Comon, Xavier Luciani, André De Almeida

基于内容的推荐：

1.Content-Based Recommendation Systems. Michael J. Pazzani and Daniel Billsus

基于标签的推荐：

1.Tag-Aware Recommender Systems: A State-of-the-Art Survey. Zi-Ke Zhang(张子柯), Tao Zhou(周涛), and Yi-Cheng Zhang(张翼成)

bandit(老虎机算法,可缓解冷启动问题):

1.Bandits and Recommender Systems. Jeremie Mary, Romaric Gaudel, Philippe Preux
2.Multi-Armed Bandit Algorithms and Empirical Evaluation
基于社交网络的推荐：

Social Recommender Systems. Ido Guy and David Carmel
A Social Networ k-Based Recommender System(SNRS). Jianming He and Wesley W. Chu
Measurement and Analysis of Online Social Networks.
Referral Web：combining social networks and collaborative filtering
基于知识的推荐：
1.Knowledge-based recommender systems. Robin Burke
2.Case-Based Recommendation. Barry Smyth
3.Constraint-based Recommender Systems: Technologies and Research Issues. A. Felfernig. R. Burke
其他：
Trust-aware Recommender Systems. Paolo Massa and Paolo Avesani
推荐几篇对工业界比较有影响的论文吧：
The Wisdom of The Few 豆瓣阿稳在介绍豆瓣猜的时候极力推荐过这篇论文，豆瓣猜也充分应用了这篇论文中提出的算法；
Restricted Boltzmann Machines for Collaborative Filtering 目前Netflix使用的要推荐算法之一；
Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model 这个无需强调重要性，LFM几乎应用到了每一个商业推荐系统中；
Collaborative Filtering with Temporal Dynamics 加入时间因素的SVD++模型，曾在Netflix Prize中大放溢彩的算法模型；
Context-Aware Recommender Systems 基于上下文的推荐模型，现在不论是工业界还是学术界都非常火的一个topic；
Toward the next generation of recommender systems 对下一代推荐系统的一个综述；
Item-Based Collaborative Filtering Recommendation Algorithms 基于物品的协同过滤，Amazon等电商网站的主力模型算法之一；
Information Seeking-Convergence of Search, Recommendations and Advertising 搜索、推荐和广告的大融合也是未来推荐系统的发展趋势之一；
Ad Click Prediction: a View from the Trenches 可以对推荐结果做CTR预测排序；
Performance of Recommender Algorithm on top-n Recommendation Task TopN预测的一个综合评测，TopN现在是推荐系统的主流话题，可以全部实现这篇文章中提到的算法大概对TopN有个体会；
http://dsec.pku.edu.cn/~jinlong/publication/wjlthesis.pdf 北大一博士对Netflix Prize算法的研究做的毕业论文，这篇论文本身对业界影响不大，但是Netflix Prize中运用到的算法极大地推动了推荐系统的发展；
通过这些论文可以对推荐系统有个总体上的全面认识，并且能够了解一些推荐系统的发展趋势。剩下的就是多实践了。

推荐两篇必看（最好能自己实现）论文，其他的论文其实都是在这基础上build起来的。
http://Amazon.com Recommendations Item-to-Item Collaborative Filtering
http://www.cin.ufpe.br/~idal/rs/Amazon-Recommendations.pdf

MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS
https://datajobs.com/data-science-repo/Recommender-Systems-%5BNetflix%5D.pdf
推荐两篇必看（最好能自己实现）论文，其他的论文其实都是在这基础上build起来的。
http://Amazon.com Recommendations Item-to-Item Collaborative Filtering
http://www.cin.ufpe.br/~idal/rs/Amazon-Recommendations.pdf

MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS
https://datajobs.com/data-science-repo/Recommender-Systems-%5BNetflix%5D.pdf

Articles：

基于用户投票的排名算法（一）：Delicious和Hacker News http://www.ruanyifeng.com/blog/2012/02/ranking_algorithm_hacker_news.html

youtube的推荐算法经历过好几次大的改动，都有论文发表的：https://www.zhihu.com/question/20829671

Netflix推荐算法，让每个人看到不一样的电影海报：https://juejin.im/post/5a2e71e351882575d42f5651

淘宝网的推荐算法：https://www.zhihu.com/question/29108284

Website：
leetcode，最近很火的算法网站：https://leetcode.com/
Blog:
一些数据挖掘与分析文章的翻译(https://github.com/ictar/python-doc/tree/master/Science%20and%20Data%20Analysis)
Recommending music on Spotify with deep learning
BreezeDeus
饿了么推荐系统：从0到1 - 极客头条 - CSDN.NET
https://github.com/ictar/python-doc/tree/master/Science%20and%20Data%20Analysis

Recommendation Engines Seminar Paper, Thomas Hess, 2009: 推荐引擎的总结性文章，Thomas 给出推荐引擎的模型，各种推荐机制的工作原理，并分析了推荐引擎面临的众多问题。
Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions, Adomavicius, G.; Tuzhilin, A., 2005：2005 年的论文，对现今流行的推荐技术进行总结，深入具体的实现技术方法，同时也提出了对下一代推荐引擎的展望。
A Taxonomy of RecommenderAgents on the Internet, Montaner, M.; Lopez, B.; de la Rosa, J. L., 2003, 对互联网上推荐引擎进行总结，给出的不同推荐方法的分类和特点，帮助读者对推荐引擎有全面的认识。
Amazon: www.amazon.com：推荐技术的先驱，Amazon 在 B2C 领域的推荐技术值得大家参考。
豆瓣：www.douban.com：作为国内社交网络的先驱，豆瓣在推荐技术上也处于领先的位置，同时对于不同内容的推荐策略有深入的研究。
个性化推荐技术漫谈：对个性化推荐技术的基本原理进行简要介绍，提出了作者对优秀的个性化推荐的多角度认识
Google Recommender System Group：推荐系统的 Google 讨论组，有很多关于推荐引擎的有趣讨论
Recommender System Algorithms：关于推荐引擎算法的资源
Design of Recommender System：关于推荐引擎的设计方法的介绍
How to build a recommender system：这个演示给出了如何构建一个推荐引擎，并结合例子详细介绍了基于协同过滤的推荐策略。

Lecture:
【直播回顾】21天搭建推荐系统：实现“千人千面”个性化推荐（含视频）-博客-云栖社区-阿里云
Code：
不到100行代码实现一个简单的推荐系统
利用Python实现基于协同过滤算法的影片推荐
使用Spark MLlib给豆瓣用户推荐电影
Python中一个简单的基于内容的推荐引擎
https://github.com/MashiMaroLjc/ML-and-DM-in-action
https://github.com/laozhaokun/movie_recommender
利用Python实现基于协同过滤算法的影片推荐
推荐算法库：

SvdFeature
LibFM
Mahout
MLib

reference:

https://www.zhihu.com/question/21251105/answer/21094996
https://www.zhihu.com/question/25566638/answer/337012082
https://www.zhihu.com/question/25566638/answer/37455091

推荐算法学习资料总结

Books：

Conference & Journal:

Papers：

综述类:

协同过滤：

基于内容的推荐：

基于标签的推荐：

推荐评估指标：

推荐多样性和新颖性：

推荐系统中的隐私性保护：

推荐冷启动问题：

bandit(老虎机算法,可缓解冷启动问题):

Articles：

Website：

Blog:

Lecture:

Code：

推荐算法库：

你可能感兴趣的:(推荐算法学习资料总结)