推薦系統-資源整理

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