一、綜合性文章
1.推薦算法不夠精準?讓知識圖譜來解決
2.一文讀懂推薦系統知識體系(附學習資料)
3.計算廣告中常用模型的相關資料整理
4.常見計算廣告點選率(CTR)預估算法總結
5.網際網路廣告綜述之點選率特征工程
6.Kaggle實戰——點選率預估
7.TensorFlow實戰——個性化推薦
8. xDeepFM介紹
9. 常見推薦算法科普
10. 今日頭條推薦算法原理全文詳解
11. 5類系統推薦算法,非常好使,非常全
12. 深度學習在推薦系統中的應用
二、計算廣告CTR預估系列:
計算廣告CTR預估系列(一)–DeepFM理論
計算廣告CTR預估系列(二)–DeepFM實踐
計算廣告CTR預估系列(三)–FFM理論與實踐
計算廣告CTR預估系列(四)–Wide&Deep理論與實踐
計算廣告CTR預估系列(五)–阿裡Deep Interest Network理論
計算廣告CTR預估系列(六)–阿裡Mixed Logistic Regression
計算廣告CTR預估系列(七)–Facebook經典模型LR+GBDT理論與實踐
計算廣告CTR預估系列(八)–PNN模型理論與實踐
三、推薦系統遇上深度學習系列:
推薦系統遇上深度學習(一)–FM模型理論和實踐
推薦系統遇上深度學習(二)–FFM模型理論和實踐
推薦系統遇上深度學習(三)–DeepFM模型理論和實踐
推薦系統遇上深度學習(四)–多值離散特征的embedding解決方案
推薦系統遇上深度學習(五)–Deep&Cross Network模型理論和實踐
推薦系統遇上深度學習(六)–PNN模型理論和實踐
推薦系統遇上深度學習(七)–NFM模型理論和實踐
推薦系統遇上深度學習(八)–AFM模型理論和實踐
推薦系統遇上深度學習(十)–GBDT+LR融合方案實戰
推薦系統遇上深度學習(十一)–神經協同過濾NCF原理及實戰
推薦系統遇上深度學習(十二)–推薦系統中的EE問題及基本Bandit算法
推薦系統遇上深度學習(十四)–《DRN:A Deep Reinforcement Learning Framework for News Recommendation》
推薦系統遇上深度學習(十五)–強化學習在京東推薦中的探索
推薦系統遇上深度學習(十七)–探秘阿裡之MLR算法淺析及實作
Deep Learning Meets Recommendation Systems
四、算法詳解:
4.1 因子分解機(Factorization Machine-FM)
- FM算法(Factorization Machine)
- 簡單易學的機器學習算法——因子分解機(Factorization Machine)
4.2 Field-aware Factorization Machine-FFM
- 并行轉換csv檔案為libffm格式
- 有關csv格式的資料轉換成libsvm格式的資料
- 深入FFM原理與實踐
- FM+FFM+libffm+xlearn原理及實戰
4.3 DeepFM
- 用Keras實作一個DeepFM
- CTR預估算法之FM, FFM, DeepFM及實踐
- FFM及DeepFFM模型在推薦系統的探索
FM總結:
【初學者系列】Factorization Machines 因子分解機詳解