我的机器学习入门之路（下）——知识图谱、推荐、广告
继上一篇《我的机器学习入门之路（中）——深度学习(自然语言处理)》，这一篇博客主要记录了我对知识图谱、推荐和广告等方向的一些涉猎与基础学习。
一、知识图谱
从自然语言处理到知识图谱，是一个很自然和直接的应用。知识图谱的内容非常多，因为没有做过相应的项目，所以我也只是学习和了解为主。主要包括两部分：理论学习、实践教程。
1、理论学习部分
什么是知识图谱？：https://mp.weixin.qq.com/s/XgKvh63wgEe-CR9bchp03Q
一个不错的知识图谱入门系列教程：http://pelhans.com/2018/03/15/xiaoxiangkg-note1/
为什么需要知识图谱？什么是知识图谱？：https://blog.csdn.net/u011801161/article/details/78733954
NLP 与知识图谱的对接：https://zhuanlan.zhihu.com/p/26295332
2、实践相关
项目实战：如何构建知识图谱：https://mp.weixin.qq.com/s/cL1aKdu8ig8-ocOPirXk2w
美团大脑：知识图谱的建模方法及其应用：https://tech.meituan.com/2018/11/01/meituan-ai-nlp.html
二、推荐系统
首先推荐看一本书：项亮的《推荐系统实践》，看完可以对推荐系统有一个比较全面的认识和了解。
推荐一般可分为召回和排序两个阶段，在入门之后，就可以开始分别学习一些经典的模型与方法了。
1、召回
推荐系统中的召回算法－－协同过滤：https://blog.csdn.net/weixin_41362649/article/details/89055808
推荐系统召回四模型之：全能的FM模型：https://zhuanlan.zhihu.com/p/58160982
推荐系统召回四模型之二：沉重的FFM模型：https://zhuanlan.zhihu.com/p/59528983
2、排序
学习排序 Learning to Rank：从 pointwise 和 pairwise 到 listwise，经典模型与优缺点：https://blog.csdn.net/lipengcn/article/details/80373744
机器学习算法-L2R进一步了解：https://jiayi797.github.io/2017/09/25/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AE%97%E6%B3%95-L2R%E8%BF%9B%E4%B8%80%E6%AD%A5%E4%BA%86%E8%A7%A3/
浅谈Learning to Rank中的RankNet和LambdaRank算法：https://zhuanlan.zhihu.com/p/68682607
Deep Neural Network for YouTube Recommendation论文精读：https://zhuanlan.zhihu.com/p/25343518
简单易学的深度学习算法——Wide & Deep Learning：https://blog.csdn.net/google19890102/article/details/78171283
推荐系统资料集合链接：https://www.jianshu.com/p/2b1246858e6f
3、冷启动问题
推荐系统理论(三) -- 冷启动问题：https://www.jianshu.com/p/62e5171c85bc
4、其它
推荐系统从入门到接着入门：https://zhuanlan.zhihu.com/p/27502172
21天搭建推荐系统：实现“千人千面”个性化推荐：https://yq.aliyun.com/articles/39629
知乎推荐页 Ranking 构建历程和经验分享：https://www.infoq.cn/article/g95hu67a4WheikGu*w9K
推荐系统--完整的架构设计和算法(协同过滤、隐语义)：https://juejin.im/post/5d75ad14f265da03c02c2827
今日头条推荐算法原理全文详解：https://lusongsong.com/info/post/9829.html
三、广告
主要是CTR预估的一些资源
广告点击率预估是怎么回事？：https://zhuanlan.zhihu.com/p/23499698
传统ctr预估：https://hxhlwf.github.io/posts/dl-traditional-ctr-models.html
基于深度学习的ctr预估模型集合：https://daiwk.github.io/posts/dl-dl-ctr-models.html
主流CTR预估模型的演化及对比：https://zhuanlan.zhihu.com/p/35465875
机器学习算法评价指标之group auc（gauc）：https://blog.csdn.net/hnu2012/article/details/87892368
广告CTR预估中预测点击率的校准：https://zhuanlan.zhihu.com/p/35580375
面向稀有事件的 Logistic Regression 模型校准：http://vividfree.github.io/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/2015/12/15/model-calibration-for-logistic-regression-in-rare-events-data
计算广告和推荐系统之间的区别和联系，大家可以看看下面这个知乎问题中，大佬们的回答。
计算广告与推荐系统有哪些区别？：https://www.zhihu.com/question/19662693
学习完上面这些之后，应该能算是入了个门了，之后将继续深入学习并及时分享~
我的微信公众号：帕尼尼古
欢迎关注~