加餐 | 推荐系统的参考阅读
专栏主体内容已经结束了，在专栏写作的过程中，我阅读了很多业界公开的资料，我觉得有必要整理出来，供想深入阅读的人继续去找虐。
整体来说，在选择参考文献时，我偏爱那些由公司发表的。因为推荐系统本质上还是一种非常依赖实践的算法应用方向，并且，这些商业公司论文中的技术内容也在他们实际的场景中经过了检验。
另外，更多的内容是来自我自己的大脑中，所以我在下面列出来的只是一部分，在经过反复删减之后，保留了这些，有中文有英文，一般来说英文居多。有较理论化的，如优化理论，更多的是较实践派，可以学完即用。这些资料分成这么几个类型。
- 论文：以论文形式发表的，期刊数据库中可以下载到。
- 网络文章：就是在网上自由流传的内容或者博客，为了方便阅读，我将它们保存为PDF格式。
- 演示文稿：就是作者曾公开演讲过的内容，相对来说不是那么严谨，但是更容易理解。
- 书：推荐系统相关的书较少，我在专栏中参考过的书只有一本（附件中不提供书的电子文档）。
以上的参考文献我按照章节顺序列在了下面，我还在后面附上一个推荐书单。你可以点击查看。
原理篇
1.内容推荐
题目：Bag of Tricks for Efficient Text Classification
类型：论文
作者：Facebook
说明：
Facebook开源的文本处理工具fastText背后原理。可以训练词嵌入向量，文本多分类，效率和线性模型一样，效果和深度学习一样，值得拥有。
题目：The Learning Behind Gmail Priority Inbox
类型：论文
作者：Google
说明：
介绍了一种基于文本和行为给用户建模的思路，是信息流推荐的早期探索，Gmail智能邮箱背后的原理。
题目：Recommender Systems Handbook(第三章，第九章)
类型：书
作者：Francesco Ricci等
说明：
这本书收录了推荐系统很多经典论文，话题涵盖非常广，第三章专门讲内容推荐的基本原理，第九章是一个具体的基于内容推荐系统的案例。
类型：网络文章(网络免费版，已有成书《文本上的算法:深入浅出自然语言处理》，内容更丰富)
作者：路彦雄
说明：
介绍了文本挖掘中常用的算法，及基础概念。内容涉及概率论，信息论，文本分类，聚类，深度学习，推荐系统等。
类型：网络文章
作者：Rickjin(@靳志辉)
说明：
由浅入深地讲解LDA原理，对于实际LDA工具的使用有非常大的帮助。
2.近邻推荐
类型：论文
作者：Amazon
说明：
介绍Amazon的推荐系统原理，主要是介绍Item-Based协同过滤算法。
题目：Slope One Predictors for Online Rating-Based Collaborative Filtering
类型：论文
作者：Daniel Lemire等
说明：
Slope One算法。
题目：Item-Based Collaborative Filtering Recommendation Algorithms
类型：论文
作者：Badrul Sarwar等
说明：
GroupLens的研究团队对比了不同的Item-to-Item的推荐算法。
题目：Collaborative Recommendations Using Item-to-Item Similarity Mappings
类型：专利
作者：Amazon
说明：
是的，Amazon申请了Item-Based算法的专利，所以如果在美上市企业，小心用这个算法。
题目：Recommender Systems Handbook（第4章）
类型：书
作者：Francesco Ricci等
说明：
第四章综述性地讲了近邻推荐，也就是基础协同过滤算法。
3.矩阵分解
题目：Matrix Factorization and Collaborative Filtering
类型：演示文稿
作者：Daryl Lim
说明：
从PCA这种传统的数据降维方法讲起，综述了矩阵分解和协同过滤算法。矩阵分解也是一种降维方法。
题目：Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model
类型：论文
作者：Yehuda Koren
说明：
把矩阵分解和近邻模型融合在一起。
题目：BPR- Bayesian Personalized Ranking from Implicit Feedback
类型：论文
作者：Steffen Rendle等
说明：
更关注推荐结果的排序好坏，而不是评分预测精度，那么BPR模型可能是首选，本篇是出处。
题目：Collaborative Filtering for Implicit Feedback Datasets
类型：论文
作者：Yifan Hu等
说明：
不同于通常矩阵分解处理的都是评分数据这样的显式反馈，本文介绍一种处理点击等隐式反馈数据的矩阵分解模型。
题目：Matrix Factorization Techniques For Recommender Systems
类型：论文
作者：Yehuda Koren等
说明：
本文是大神Yehuda Koren对矩阵分解在推荐系统中的应用做的一个普及性介绍，值得一读。
题目：The BellKor Solution to the Netflix Grand Prize
类型：论文
作者：Yehuda Koren
说明：
也是一篇综述，或者说教程，针对Netflix Prize的。
4.模型融合
题目：Adaptive Bound Optimization for Online Convex Optimization
类型：论文
作者：Google
说明：
FTRL是CTR预估常用的优化算法，本文介绍FTRL算法原理。
类型：网络文章
作者：冯扬
说明：
是对FTRL的通俗版解说。
题目：Ad Click Prediction: a View from the Trenches
类型：论文
作者：Google
说明：
FTRL工程实现解读。
题目：Factorization Machines
类型：论文
作者：Steffen Rendle
说明：
提出FM模型的论文，FM用于CTR预估。
题目：Field-aware Factorization Machines for CTR Prediction
类型：论文
作者：Yuchin Juan
说明：
FFM模型，用于CTR预估。
题目：Practical Lessons from Predicting Clicks on Ads at Facebook
类型：论文
说明：
提出了LR + GBDT的CTR预估模型。
题目：Wide & Deep Learning for Recommender Systems
类型：论文
作者：Google
说明：
提出融合深度和宽度模型的Wide&Deep模型，用于CTR预估。
5.Bandit算法
题目：Introduction to Bandits- Algorithms and Theory Part 1- Bandits with small sets of actions
类型：演示文稿
作者：Jean-Yves Audibert等
说明：
介绍bandit算法概念，理论和算法，这部分主要针对小的选项候选集。
题目：Introduction to Bandits- Algorithms and Theory Part 2- Bandits with large sets of actions
类型：演示文稿
作者：Jean-Yves Audibert等
说明：
介绍Bandit算法概念，理论和算法，这部分主要针对较大的选项候选集。
题目：A Contextual-Bandit Approach to Personalized News Article Recommendation
类型：论文
作者：Yahoo
说明：
Linucb的原始论文，考虑上下文的Bandit算法。
题目：Collaborative Filtering Bandits
类型：论文
作者：Shuai Li等
说明：
Bandit 算法与协同过滤结合，提出COFIBA算法。
6.深度学习
题目：Deep Neural Networks for YouTube Recommendations
类型：论文
作者：Google
说明：
介绍YouTube视频推荐系统在深度神经网络上的尝试。能从中看到wide&deep模型的影子。
题目：Efficient Estimation of Word Representations in Vector Space
类型：论文
作者：Google
说明：
Word2Vec的作者在这篇文章中提出了一种词嵌入向量学习方法，也就是把开源工具包Word2Vec背后的模型详细介绍了一次。理论上很简单，更多是一些工程技巧的分享。Word2Vec给推荐系统带来了一种新的隐因子向量学习方法，深陷评分预测泥潭的矩阵分解被开拓了思路。
题目：Item2Vec: Neural Item Embedding for Collaborative Filtering
类型：论文
作者：Microsoft
说明：
这篇就是借鉴了word2vec在语言建模中的思路，为推荐系统的行为建模，从中为物品学习嵌入向量。
题目：Learning Representations of Text using Neural Networks
类型：演示文稿
作者：Google
说明：
理解为word2vec作者写一个教程。
题目：Long Short-Term Memory
类型：论文
作者：Sepp Hochreiter等
说明：
可以用来为序列建模的LSTM，实际上在1997年就发表论文了，只是在十几年后才大火。
题目：An Empirical Exploration of Recurrent Network Architectures
类型：论文
作者：Google
说明：
Google在RNN模型使用上的经验分享。
题目：Recurrent Neural Networks for Collaborative Filtering
类型：网络文章
作者：Erik Bernhardsson
说明：
这是Erik Bernhardsson在Spotify期间所做的尝试，用RNN自动构建音乐播单。Erik Bernhardsson还有一项开源项目Annoy，用于稠密向量的近邻搜索，在推荐系统中也用得较多。
7.其他实用算法
题目：Detecting Near-Duplicates for Web Crawling
类型：论文
作者：Google
说明：
在这篇论文中提出了simhash算法，用于大规模网页去重。
题目：Weighted Random Sampling over Data Streams
类型：论文
作者：Pavlos S. Efraimidis
说明：
对流式数据的加权采样。
题目：Weighted Sampling Without Replacement from Data Streams
类型：论文：
作者：Vladimir Braverman等
说明：
介绍了两种对流式数据的加权采样。
工程篇
1.常见架构
题目：Activity Feeds Architecture
类型：演示文稿
作者：Etsy
说明：
本文非常详细地介绍了社交动态信息流的架构设计细节。
题目：Atom Activity Streams 1.0
类型：规范文档
作者：Activity Streams Working Group
说明：
这是一份动态信息流数据模型的协议规范文档，由Activity Streams Working Group共同发出，这个组织包含Google和Microsoft。
题目：Beyond the 5 stars（Netflix Recommendations）
类型：网络文章
作者：Netflix
说明：
Netflix详细宏观上介绍了自家推荐系统的产品形态，不只是比赛中的评分预测那么简单的。
题目：System Architectures for Personalization and Recommendation
类型：网络文章
作者：Netflix
说明：
Netflix 推荐系统的架构介绍。
类型：论文
作者：H Garcia-Molina等
说明：
探讨搜索、推荐、广告三者架构统一。
2.关键模块
题目：Overlapping Experiment Infrastructure- More, Better, Faster Experimentation
类型：论文
作者：Google
说明：
ABTest实验平台的扛鼎之作，Google出品，值得拥有。
题目：TencentRec：Real-time Stream Recommendation in Practice
类型：论文
作者：腾讯
说明：
介绍了腾讯内部的实时推荐系统架构。
题目：Personalization at Spotify using Cassandra
类型：网络文章
作者：Spotify
说明：
介绍了Spotify在推荐系统所用到的数据存储中间件。
3.效果保证
题目：Tutorial on Robustness of Recommender Systems
类型：演示文稿
作者：Neil Hurley
说明：
本文非常详细讨论了对推荐系统的攻击和防护，并有实验模拟。
题目：Recommender Systems Handbook(第八章)
类型：书
作者：Francesco Ricci等
说明：
该书第八章介绍了能见到的几乎所有推荐系统评价指标，只是实际上用不到这么多指标。
其他书目
- Pattern Recognization and Machine Learning（机器学习基础，有此一本足够了）。
- 推荐系统实践（国内唯一一本非翻译的推荐系统书籍，入门必选）。
- 信号与噪声（介绍贝叶斯统计的一本科普书）。
- 复杂（推荐系统面对的是复杂网络，了解复杂系统和复杂网络的特点，有助于开脑洞）。
- 信息简史（既然是信息经济，当然要读一本关于信息的历史）。
知道你们不会读的，所以就不推荐太多了。但愿我这个激将法有助于你学习进步。
打包资料地址
https://github.com/xingwudao/36