入门推荐系统，你不应该错过的知识清单
提纲：
入门书籍
入门教程
公开数据集
项目代码
技术博文
学术会议
应用领域
推荐系统入门书籍：
1.《推荐系统实践》 作者：项亮
《推荐系统实践》
入门首选。这本书是国内第一本讲推荐系统的书，能让你快速知道如何把学到的理论知识应用到实践，如何将编程能力应用到推荐系统中去。虽然书中列举的代码存在一些争议，但瑕不掩瑜。强烈推荐！
2.《集体智慧编程》（Programming Collective Intelligence）
《集体智慧编程》
这本书非常适合数学知识相对来说较少但又想深入该领域的读者，或有实际项目需求但没有足够时间去深入了解的实践者。该书的作者非常直观地展示了人工智能和机器学习中的大量经典的算法，更重要的是，作者在展示算法时使用的例子都是互联网中非常有代表性的场景，很多情况下还会结合一些实际运营的Web站点的数据作进一步阐释，深入浅出。与机器学习相关课程结合学习，将会事半功倍。
3. 《推荐系统 : 技术、评估及高效算法》（Recommender Systems Handbook）
作者：Francesco Ricci, Lior Rokach, Bracha Shapira, Paul B. Kantor
Recommender Systems Handbook
这本书被很多人称为“枕边书”。全书共有六百多页，目前已修订至第二版，中文译本也已经发行。对于想把推荐作为研究方向一直做下去的人来说， 这本书必看！这本书以专题的形式，涉及到了推荐系统相关的方方面面。每个专题都会列出专题中涉及到的论文及将来的发展趋势， 具有很好的指导作用，既可作为入门理论导读，又可作为特定问题的资料索引。
4. 《推荐系统》（Recommender Systems: An Introduction）
作者：Dietmar Jannach, Markus Zanker, Alexander Felfernig, Gerhard Friedrich
Recommender Systems: An Introduction(中文版)
这本书内容覆盖较全面，理论相对简单，不会有太多难懂的公式。这本书最大的优点是对推荐系统做了一个很好的整理和概括，几乎概括了推荐系统所涉及的每一个模块，为读者上了一堂很好的推荐引擎架构课。看过这本书后，基本上能对推荐系统有一个清晰地理解和相对完整的把控。
关于本书，图灵社区曾做过一次访谈：
《Dietmar Jannach和Gerhard Friedrich教授谈推荐系统的最新研究方向》（2013年）
5. Music Recommendation and Discovery
作者: Òscar Celma
Music Recommendation and Discovery
这本书以音乐推荐为内容，对音乐推荐的需求和问题、常用做法和效果评价做了一个大体的介绍，关于效果评测部分的内容值得细读。
6. Word Sense Disambiguation: Algorithms and Applications
《词义消歧：算法与应用》
这本书全面探究了词义消歧这一问题，并对重要的算法、方式、指标、结果、哲学问题和应用也有涉猎，并有这个领域的权威学者对本领域的历史及发展所做的较为全面的综述。如果涉及到关键词推荐或文本推荐， 可以查阅这本书。
推荐系统入门教程：
推荐系统导论：
https://www.coursera.org/specializations/recommender-systems
该课程由明尼苏达大学发布，共包含五个课程，分别为：推荐系统导入、最近邻协同过滤、推荐系统评估、矩阵分解、推荐系统的成就，对入门的同学来说或许会有帮助。
推荐系统公开数据集：
Amazon
Alibaba
Retail Rocket
Book Crossing
Netflix
Movie Lens
CiaoDVD
Film Trust
Yahoo Music
Amazon Music
LastFM
Million Song Dataset
Steam Video Games
Jester
Chicago Entree
Anime
SNAP
Grouplens
Yahoo Research
LibRec
推荐系统项目代码：
Mrec(Python)
https://github.com/mendeley/mrec
Crab(Python)
https://github.com/muricoca/crab
Python-recsys(Python)
https://github.com/ocelma/python-recsys
CofiRank(C++)
https://github.com/markusweimer/cofirank
GraphLab(C++)
https://github.com/graphlab-code/graphlab
EasyRec(Java)
https://github.com/hernad/easyrec
Lenskit(Java)
https://github.com/grouplens/lenskit
Mahout(Java)
https://github.com/apache/mahout
Recommendable(Ruby)
https://github.com/davidcelis/recommendable
推荐系统相关技术博文：
1. http://blog.sciencenet.cn/home.php?mod=space&uid=3075
2. http://weibo.com/p/1005051686952981
3. http://zhan.renren.com/recommendersystem
4. https://groups.google.com/forum/#!forum/resys
5. http://www.cnblogs.com/LeftNotEasy
6. http://lovebingkuai.diandian.com/
7. http://blog.pluskid.org/
8. http://benanne.github.io/2014/08/05/spotify-cnns.html
9. http://glinden.blogspot.com/
10. http://aimotion.blogspot.com/
11. http://graphlab.org/lsrs2013/program/
12. http://www.cnblogs.com/flclain/
推荐系统相关学术会议：
AAAI : The National Conference of the American Association for Artificial Intelligence
ACM RecSys : The ACM Conference Series on Recommender Systems
ACM SIGKDD : The ACM SIGKDD Conference on Knowledge Discovery and Data Mining
ACM SIGIR : The ACM International Conference on Research and Development in Information Retrieval
ACM CIKM : The ACM International Conference on Information and Knowledge Management
ICDM : The IEEE International Conference on Data Mining
ICML : The International Conference on Machine Learning
IJCAI : The International Joint Conference on Artificial Intelligence
NIPS: The Conference on Neural Information Processing Systems
NIPS: The Conference on Neural Information Processing Systems
SDM : The SIAM International Conference on Data Mining
WSDM : The International Conference on Web Search and Data Mining
WWW :The International World Wide Web Conference
推荐系统在不同领域的应用实例：
图书影音：Netflix、Youtube、MovieLens、豆瓣、网易云音乐
2. 新闻资讯：Google News、今日头条、知乎、Hulu
3. 人际社交：Facebook、Twitter、微博、人人网
4. 旅游出行：Wanderfly、TripAdvisor、蚂蜂窝、去哪儿
5. 电商零售：亚马逊、淘宝、天猫、京东
以上内容由第四范式-先荐整理发布，仅用于学习交流，版权归原作者所有。
欢迎大家点赞、收藏，将更多技术干货分享给身边的好友。
相关阅读：
干货|个性化推荐系统五大研究热点之可解释推荐（五）
干货|个性化推荐系统五大研究热点之用户画像（四）
干货｜个性化推荐系统五大研究热点之强化学习（三）
第四范式每一位成员都为人工智能早日落地贡献着自己的力量，在这个账号下你可以阅读来自计算机领域的学术前沿、知识干货、行业资讯，以及范式成员的内部分享。