我的推荐系统入门经验～（文末有福利）
自学推荐系统两年多了，也阅读了一些相关的书籍和论文，但毕竟还没有实际的在公司做过推荐相关项目，所以说跟大佬们相比，还是有很多差距的。不过，在入门推荐的道路上，有一些经验和资料还是可以分享给你的，希望本文能够对你有所帮助。（一定要看到最后哦，三重福利送给你）
1、第一阶段 - 掌握机器学习基础知识，打好基础
学习推荐系统，还是要掌握一定的机器学习知识的，从特征获取、特征处理、特征选择，到基本的机器学习模型如逻辑回归、GBDT等等，都需要你熟练掌握。
其中比较重要的就是特征这块，因为推荐系统中会面临大量的离散特征，对离散特征的处理方式需要有一定的了解。
这里还是推荐李航博士的《统计学习方法第二版》。
然后就是神经网络，推荐系统中神经网络运用非常多，神经网络中基础的如循环神经网络、卷积神经网络，以及一些模型结构的搭建、训练的技巧如Dropout、BN等等也需要有所理解。
这个推荐吴恩达的深度学习课程以及李宏毅老师的深度学习课程。
2、第二阶段 - 阅读推荐系统经典书籍，入门推荐
推荐系统市面上的书不是很多，而且写得往往不够深入，仅能够起到一定的入门作用，毕竟推荐在各个公司还是比较核心的内容，是比较受到保护的。但经典的书籍还是有的，入门的话推荐两本。
一是大家所熟知的《推荐系统实践》，这本的话对于大家了解推荐系统中最基本的算法如协同过滤、推荐系统中常用的评价指标、使用上下文和社交网络进行推荐、如何解决冷启动问题都有一定的帮助。
二是最近市面上新出现的《推荐系统开发实战》一书，虽然这本书我还没有看过，但不少的群友反映这本书对于入门推荐系统来说十分友好。理论和实战相结合，是挺不错的一本“小白实操书”。（小编自费送书一本，参与规则见文末）
然后还有的一些书籍如《推荐系统与深度学习》和《推荐系统-技术、评估及高效算法》，大家感兴趣的话也可以进行阅读。
3、第三阶段 - 精读推荐系统经典论文，掌握诀窍
在理解基本的推荐知识之后，你大概会了解到推荐具体是做什么的，那么其问题又可以分成几个方面。如召回、CTR预估、Learning to Rank等等。这个时候我建议的话就是开始阅读经典论文了。下面整理一些我看过的比较经典的论文吧，可能有遗漏，也欢迎大家补充。
FM：《Factorization Machines》FFM：《Field-aware Factorization Machines for CTR Prediction》DeepFM：《DeepFM: A Factorization-Machine based Neural Network for CTR Prediction》Wide & Deep：《Wide & Deep Learning for Recommender Systems》DCN：《Deep & Cross Network for Ad Click Predictions》NFM：《Neural Factorization Machines for Sparse Predictive Analytics》AFM：《Attentional Factorization Machines:GBDT + LR：《Practical Lessons from Predicting Clicks on Ads at Facebook》MLR：《Learning Piece-wise Linear ModelsDIN：《Deep Interest Network for Click-Through Rate Prediction》DIEN：《Deep Interest Evolution Network for Click-Through Rate Prediction》BPR：《BPR: Bayesian Personalized Ranking from Implicit Feedback》Youtube：《Deep Neural Networks for YouTube Recommendations》
当然有些其他的论文也十分经典，咱们放在后面继续讲。
读论文也是需要一定的技巧，不同的人可能关注的点不一样，所以导致阅读重心不一样。对于我来说，我比较关注的点是这个论文要解决什么样的问题，是如何解决的，以及作者从哪几方面出发，使用什么评价指标来评判模型的好坏。至于效果，论文嘛，可信可不信，看看就好了。
4、第四阶段 - 复现推荐论文开源代码，加深理解
读论文中你也许会有很多疑惑，如DeepFM这个Embedding如何共享的？DIN里面的Attention如何实现？解决这些疑惑的最好办法我认为不是读论文、百度别人写的博客，最好的方法就是去找开源的代码，试着复现也好，比着代码自己实现一遍也好，对你加深认识都有很大的帮助！
有一些开源的代码我已经帮大家整理的差不多了，在下面的github中（以后不要再问我数据或者地址的问题了，数据都在github的readme中）：https://github.com/princewen/tensorflow_practice
不管对一篇论文你看懂了还是没看懂也好，都去尝试复现一遍吧，真的很有帮助。
5、第五阶段 - 持续跟进最近推荐论文，思维发散
在不断跟进推荐系统论文的过程中，你会发现推荐系统会借鉴各个领域的方法， 持续跟进最近推荐论文，对我们学习其他领域如NLP、图像领域、强化学习等等都会有所帮助。接下来列举一些借鉴其他领域方法的一些文章吧，也算是对第三部分的一个补充。
强化学习
多任务学习
GAN
知识图谱
《DKN: Deep Knowledge-Aware Network for News Recommendation》
Transformer
RNN & GNN
Embedding技巧
最后说说本文的福利吧：
1、论文打包下载
上述介绍的论文，小编已经帮你全部打包整理好了：
公众号后台回复“推荐论文”获取下载地址吧。
2、推荐系统原创合集
小编整理了一下公众号发布的推荐系统系列原创合集，一次性整理给你：
推荐系统遇上深度学习(一)--FM模型理论和实践
推荐系统遇上深度学习(二)--FFM模型理论和实践
推荐系统遇上深度学习(三)--DeepFM模型理论和实践
推荐系统遇上深度学习(四)--多值离散特征的embedding解决方案
推荐系统遇上深度学习(五)--Deep&Cross Network模型理论和实践
推荐系统遇上深度学习(六)--PNN模型理论和实践
推荐系统遇上深度学习(七)--NFM模型理论和实践
推荐系统遇上深度学习(八)--AFM模型理论和实践
推荐系统遇上深度学习(九)--评价指标AUC原理及实践
推荐系统遇上深度学习(十)--GBDT+LR融合方案实战
推荐系统遇上深度学习(十一)--神经协同过滤NCF原理及实战
推荐系统遇上深度学习(十二)--推荐系统中的EE问题及基本Bandit算法
推荐系统遇上深度学习(十三)--linUCB方法浅析及实现
推荐系统遇上深度学习(十四)--强化学习与推荐系统的强强联合！
推荐系统遇上深度学习(十五)--强化学习在京东推荐中的探索
推荐系统遇上深度学习(十六)--详解推荐系统中的常用评测指标
推荐系统遇上深度学习(十七)--探秘阿里之MLR算法浅析及实现
推荐系统遇上深度学习(十八)--探秘阿里之深度兴趣网络(DIN)浅析及实现
推荐系统遇上深度学习(十九)--探秘阿里之完整空间多任务模型ESSM
推荐系统遇上深度学习(二十)--贝叶斯个性化排序(BPR)算法原理及实战
推荐系统遇上深度学习(二十一)--阶段性回顾
推荐系统遇上深度学习(二十二)--DeepFM升级版XDeepFM模型强势来袭！
推荐系统遇上深度学习(二十三)--大一统信息检索模型IRGAN在推荐领域的应用
推荐系统遇上深度学习(二十四)--深度兴趣进化网络DIEN原理及实战！
推荐系统遇上深度学习(二十五)--当知识图谱遇上个性化推荐
推荐系统遇上深度学习(二十六)--知识图谱与推荐系统结合之DKN模型原理及实现
推荐系统遇上深度学习(二十七)--知识图谱与推荐系统结合之RippleNet模型原理及实现
推荐系统遇上深度学习(二十八)--知识图谱与推荐系统结合之MKR模型原理及实现
推荐系统遇上深度学习(二十九)--协同记忆网络理论及实践
推荐系统遇上深度学习(三十)--深度矩阵分解模型理论及实践
推荐系统遇上深度学习(三十一)--使用自注意力机制进行物品推荐
推荐系统遇上深度学习(三十二)--《推荐系统实践》思维导图
推荐系统遇上深度学习(三十三)--Neural Attentive Item Similarity Model
推荐系统遇上深度学习(三十四)--YouTube深度学习推荐系统
推荐系统遇上深度学习(三十五)--强化学习在京东推荐中的探索(二)
推荐系统遇上深度学习(三十六)-Learn and Transferr IDs Repre in E-commerce
推荐系统遇上深度学习(三十七)--基于多任务学习的可解释性推荐系统
推荐系统遇上深度学习(三十八)--CFGAN:一种基于GAN的协同过滤推荐框架
推荐系统遇上深度学习(三十九)-推荐系统中召回策略演进！
推荐系统遇上深度学习(四十)-使用RNN做基于会话的推荐
推荐系统遇上深度学习(四十一)-使用RNN做基于会话推荐的一些小trick
推荐系统遇上深度学习(四十二)-使用图神经网络做基于会话的推荐
推荐系统遇上深度学习(四十三)-考虑用户微观行为的电商推荐
推荐系统遇上深度学习(四十四)-Airbnb实时搜索排序中的Embedding技巧
推荐系统遇上深度学习(四十五)-探秘阿里之深度会话兴趣网络DSIN
推荐系统遇上深度学习(四十六)-阿里电商推荐中亿级商品的embedding策略
推荐系统遇上深度学习(四十七)-TEM:基于树模型构建可解释性推荐系统
推荐系统遇上深度学习(四十八)-BST:将Transformer用于淘宝电商推荐
推荐系统遇上深度学习(四十九)-九篇阿里推荐相关论文汇总！
推荐系统遇上深度学习(五十)-使用强化学习优化用户的长期体验
RS Meet DL(51)-谈谈推荐系统中的冷启动
RS Meet DL(52)-基于注意力机制的用户行为建模框架ATRank
RS Meet DL(53)-DUPN：通过多任务学习用户的通用表示
RS Meet DL(54)-使用GAN搭建强化学习仿真环境
RS Meet DL(55)-[阿里]考虑时空域影响的点击率预估模型DSTN
RS Meet DL(56)-[阿里]融合表示学习的点击率预估模型DeepMCP
RS Meet DL(57)-[阿里]如何精确推荐一屏物品？
RS Meet DL(58)-基于“翻译”的序列推荐方法
RS Meet DL(59)-FM家族的新朋友FAT-DeepFFM
RS Meet DL(60)-FM家族的新朋友之TransFM
RS Meet DL(六十一)-[阿里]使用Bert来进行序列推荐
3、评论送书
今天小编继续自费送《推荐系统开发实战》一本。
参与方式：下方留言写下你对推荐系统的认识、想法以及接下来想要了解的东西。留言点赞前十名将拉群，通过抢红包的方式决定最后的幸运者。
