資料分成這麼幾個類型：

1. 論文：以論文形式發表的，期刊數據庫中可以下載到。
2. 網絡文章：就是在網上自由流傳的內容或者博客，為了方便閱讀，我將它們保存為 PDF 格式。
3. 演示文稿：就是作者曾公開演講過的內容，相對來說不是那麼嚴謹，但是更容易理解。
4. 書：推薦系統相關的書較少，我在專欄中參考過的書只有一本（附件中不提供書的電子文檔）。

以上的參考文獻我按照章節順序列在了下面，我還在後面附上一個推薦書單。你可以點擊查看。

原理篇

1. 內容推薦

• 題目：Bag of Tricks for Efficient Text Classification
• 類型：論文
• 作者：Facebook
• 說明：

Facebook 開源的文本處理工具 fastText 背後原理。可以訓練詞嵌入向量，文本多分類，效率和線性模型一樣，效果和深度學習一樣，值得擁有。

• 題目：The Learning Behind Gmail Priority Inbox
• 類型：論文
• 作者：Google
• 說明：

介紹了一種基於文本和行為給用戶建模的思路，是信息流推薦的早期探索，Gmail 智能郵箱背後的原理。

• 題目：Recommender Systems Handbook(第三章，第九章)
• 類型：書
• 作者：Francesco Ricci 等
• 說明：

這本書收錄了推薦系統很多經典論文，話題涵蓋非常廣，第三章專門講內容推薦的基本原理，第九章是一個具體的基於內容推薦系統的案例。

• 題目：文本上的算法
• 類型：網絡文章 (網絡免費版，已有成書《文本上的算法: 深入淺出自然語言處理》，內容更豐富)
• 作者：路彥雄
• 說明：

介紹了文本挖掘中常用的算法，及基礎概念。內容涉及概率論，信息論，文本分類，聚類，深度學習，推薦系統等。

• 題目：LDA 數學八卦
• 類型：網絡文章
• 作者：Rickjin(@靳志輝)
• 說明：

由淺入深地講解 LDA 原理，對於實際 LDA 工具的使用有非常大的幫助。

2. 近鄰推薦

• 題目：Amazon.com recommendations: item-to-item collaborative filtering
• 類型：論文
• 作者：Amazon
• 說明：

介紹 Amazon 的推薦系統原理，主要是介紹 Item-Based 協同過濾算法。

• 題目：Slope One Predictors for Online Rating-Based Collaborative Filtering
• 類型：論文
• 作者：Daniel Lemire 等
• 說明：

Slope One 算法。

• 題目：Item-Based Collaborative Filtering Recommendation Algorithms
• 類型：論文
• 作者：Badrul Sarwar 等
• 說明：

GroupLens 的研究團隊對比了不同的 Item-to-Item 的推薦算法。

• 題目：Collaborative Recommendations Using Item-to-Item Similarity Mappings
• 類型：專利
• 作者：Amazon
• 說明：

是的，Amazon 申請了 Item-Based 算法的專利，所以如果在美上市企業，小心用這個算法。

• 題目：Recommender Systems Handbook（第 4 章）
• 類型：書
• 作者：Francesco Ricci 等
• 說明：

第四章綜述性地講了近鄰推薦，也就是基礎協同過濾算法。

3. 矩陣分解

• 題目：Matrix Factorization and Collaborative Filtering
• 類型：演示文稿
• 作者：Daryl Lim
• 說明：

從 PCA 這種傳統的數據降維方法講起，綜述了矩陣分解和協同過濾算法。矩陣分解也是一種降維方法。

• 題目：Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model
• 類型：論文
• 作者：Yehuda Koren
• 說明：

把矩陣分解和近鄰模型融合在一起。

• 題目：BPR- Bayesian Personalized Ranking from Implicit Feedback
• 類型：論文
• 作者：Steffen Rendle 等
• 說明：

更關注推薦結果的排序好壞，而不是評分預測精度，那麼 BPR 模型可能是首選，本篇是出處。

• 題目：Collaborative Filtering for Implicit Feedback Datasets
• 類型：論文
• 作者：Yifan Hu 等
• 說明：

不同於通常矩陣分解處理的都是評分數據這樣的顯式反饋，本文介紹一種處理點擊等隱式反饋數據的矩陣分解模型。

• 題目：Matrix Factorization Techniques For Recommender Systems
• 類型：論文
• 作者：Yehuda Koren 等
• 說明：

本文是大神 Yehuda Koren 對矩陣分解在推薦系統中的應用做的一個普及性介紹，值得一讀。

• 題目：The BellKor Solution to the Netflix Grand Prize
• 類型：論文
• 作者：Yehuda Koren
• 說明：

也是一篇綜述，或者說教程，針對 Netflix Prize 的。

4. 模型融合

• 題目：Adaptive Bound Optimization for Online Convex Optimization
• 類型：論文
• 作者：Google
• 說明：

FTRL 是 CTR 預估常用的優化算法，本文介紹 FTRL 算法原理。

• 題目：在線最優化求解
• 類型：網絡文章
• 作者：馮揚
• 說明：

是對 FTRL 的通俗版解說。

• 題目：Ad Click Prediction: a View from the Trenches
• 類型：論文
• 作者：Google
• 說明：

FTRL 工程實現解讀。

• 題目：Factorization Machines
• 類型：論文
• 作者：Steffen Rendle
• 說明：

提出 FM 模型的論文，FM 用於 CTR 預估。

• 題目：Field-aware Factorization Machines for CTR Prediction
• 類型：論文
• 作者：Yuchin Juan
• 說明：

FFM 模型，用於 CTR 預估。

• 題目：Practical Lessons from Predicting Clicks on Ads at Facebook
• 類型：論文
• 說明：
• 提出了 LR + GBDT 的 CTR 預估模型。
• 題目：Wide & Deep Learning for Recommender Systems
• 類型：論文
• 作者：Google
• 說明：

提出融合深度和寬度模型的Wide&Deep 模型，用於 CTR 預估。

5.Bandit 算法

• 題目：Introduction to Bandits- Algorithms and Theory Part 1- Bandits with small sets of actions
• 類型：演示文稿
• 作者：Jean-Yves Audibert 等
• 說明：

介紹 bandit 算法概念，理論和算法，這部分主要針對小的選項候選集。

• 題目：Introduction to Bandits- Algorithms and Theory Part 2- Bandits with large sets of actions
• 類型：演示文稿
• 作者：Jean-Yves Audibert 等
• 說明：

介紹 Bandit 算法概念，理論和算法，這部分主要針對較大的選項候選集。

• 題目：A Contextual-Bandit Approach to Personalized News Article Recommendation
• 類型：論文
• 作者：Yahoo
• 說明：

Linucb 的原始論文，考慮上下文的 Bandit 算法。

• 題目：Collaborative Filtering Bandits
• 類型：論文
• 作者：Shuai Li 等
• 說明：

Bandit 算法與協同過濾結合，提出 COFIBA 算法。

6. 深度學習

• 題目：Deep Neural Networks for YouTube Recommendations
• 類型：論文
• 作者：Google
• 說明：

介紹 YouTube 視頻推薦系統在深度神經網絡上的嘗試。能從中看到 wide&deep 模型的影子。

• 題目：Efficient Estimation of Word Representations in Vector Space
• 類型：論文
• 作者：Google
• 說明：

Word2Vec 的作者在這篇文章中提出了一種詞嵌入向量學習方法，也就是把開源工具包 Word2Vec 背後的模型詳細介紹了一次。理論上很簡單，更多是一些工程技巧的分享。Word2Vec 給推薦系統帶來了一種新的隱因子向量學習方法，深陷評分預測泥潭的矩陣分解被開拓了思路。

• 題目：Item2Vec: Neural Item Embedding for Collaborative Filtering
• 類型：論文
• 作者：Microsoft
• 說明：

這篇就是借鑑了 word2vec 在語言建模中的思路，為推薦系統的行為建模，從中為物品學習嵌入向量。

• 題目：Learning Representations of Text using Neural Networks
• 類型：演示文稿
• 作者：Google
• 說明：

理解為 word2vec 作者寫一個教程。

• 題目：Long Short-Term Memory
• 類型：論文
• 作者：Sepp Hochreiter 等
• 說明：

可以用來為序列建模的 LSTM，實際上在 1997 年就發表論文了，只是在十幾年後才大火。

• 題目：An Empirical Exploration of Recurrent Network Architectures
• 類型：論文
• 作者：Google
• 說明：
• Google 在 RNN 模型使用上的經驗分享。
• 題目：Recurrent Neural Networks for Collaborative Filtering
• 類型：網絡文章
• 作者：Erik Bernhardsson
• 說明：

這是 Erik Bernhardsson 在 Spotify 期間所做的嘗試，用 RNN 自動構建音樂播單。Erik Bernhardsson 還有一項開源項目 Annoy，用於稠密向量的近鄰搜索，在推薦系統中也用得較多。

7. 其他實用算法

• 題目：Detecting Near-Duplicates for Web Crawling
• 類型：論文
• 作者：Google
• 說明：
• 在這篇論文中提出了 simhash 算法，用於大規模網頁去重。
• 題目：Weighted Random Sampling over Data Streams
• 類型：論文
• 作者：Pavlos S. Efraimidis
• 說明：

對流式數據的加權採樣。

• 題目：Weighted Sampling Without Replacement from Data Streams
• 類型：論文：
• 作者：Vladimir Braverman 等
• 說明：

介紹了兩種對流式數據的加權採樣。

工程篇

1. 常見架構

• 題目：Activity Feeds Architecture
• 類型：演示文稿
• 作者：Etsy
• 說明：

本文非常詳細地介紹了社交動態信息流的架構設計細節。

• 題目：Atom Activity Streams 1.0
• 類型：規範文檔
• 作者：Activity Streams Working Group
• 說明：

這是一份動態信息流數據模型的協議規範文檔，由 Activity Streams Working Group 共同發出，這個組織包含 Google 和 Microsoft。

• 題目：Beyond the 5 stars（Netflix Recommendations）
• 類型：網絡文章
• 作者：Netflix
• 說明：

Netflix 詳細宏觀上介紹了自家推薦系統的產品形態，不只是比賽中的評分預測那麼簡單的。

• 題目：System Architectures for Personalization and Recommendation
• 類型：網絡文章
• 作者：Netflix
• 說明：

Netflix 推薦系統的架構介紹。

• 題目：Information Seeking-Convergence of Search, Recommendations and Advertising
• 類型：論文
• 作者：H Garcia-Molina 等
• 說明：

探討搜索、推薦、廣告三者架構統一。

2. 關鍵模塊

• 題目：Overlapping Experiment Infrastructure- More, Better, Faster Experimentation
• 類型：論文
• 作者：Google
• 說明：

ABTest 實驗平臺的扛鼎之作，Google 出品，值得擁有。

• 題目：TencentRec：Real-time Stream Recommendation in Practice
• 類型：論文
• 作者：騰訊
• 說明：

介紹了騰訊內部的實時推薦系統架構。

• 題目：Personalization at Spotify using Cassandra
• 類型：網絡文章
• 作者：Spotify
• 說明：

介紹了 Spotify 在推薦系統所用到的數據存儲中間件。

3. 效果保證

• 題目：Tutorial on Robustness of Recommender Systems
• 類型：演示文稿
• 作者：Neil Hurley
• 說明：

本文非常詳細討論了對推薦系統的攻擊和防護，並有實驗模擬。

• 題目：Recommender Systems Handbook(第八章)
• 類型：書
• 作者：Francesco Ricci 等
• 說明：

該書第八章介紹了能見到的幾乎所有推薦系統評價指標，只是實際上用不到這麼多指標。

其他書目

1. Pattern Recognization and Machine Learning（機器學習基礎，有此一本足夠了）。
2. 推薦系統實踐（國內唯一一本非翻譯的推薦系統書籍，入門必選）。
3. 信號與噪聲（介紹貝葉斯統計的一本科普書）。
4. 複雜（推薦系統面對的是複雜網絡，瞭解複雜系統和複雜網絡的特點，有助於開腦洞）。
5. 信息簡史（既然是信息經濟，當然要讀一本關於信息的歷史）。

知道你們不會讀的，所以就不推薦太多了。但願我這個激將法有助於你學習進步。

打包資料下載地址：

• https://pan.baidu.com/s/1pbjQ94QBcRerv6ZW3-sopg

密碼關注後私信，專欄內容非常棒，推薦給大家。