“推荐系统”精品资料合集
- - 快课网推荐系统的搭建是个复杂工程，涉及到实时计算、离线计算，以及各种数据采集、流转等，对自建推荐系统来说，更是很有困难. 云栖社区将在6月16日晚20点组织一场在线分享 《21天搭建推荐系统》，主要介绍推荐系统基本原理，并以阿里云推荐引擎为基础，展示如何快速搭建推荐系统. 为了帮助大家做好内容知识储备，云栖社区收集整理了一批学习资料，希望对大家学习推荐系统有所帮助，内容主要包括杂志、优秀的知乎问答、优秀图书及优秀博文.
“推荐系统”精品资料合集
标签：
大数据
推荐系统
| 发表时间：2016-06-28 23:33 | 作者：cricode
出处：http://www.cricode.com
推荐系统的搭建是个复杂工程，涉及到实时计算、离线计算，以及各种数据采集、流转等，对自建推荐系统来说，更是很有困难。云栖社区将在6月16日晚20点组织一场在线分享 《21天搭建推荐系统》，主要介绍推荐系统基本原理，并以阿里云推荐引擎为基础，展示如何快速搭建推荐系统。
为了帮助大家做好内容知识储备，云栖社区收集整理了一批学习资料，希望对大家学习推荐系统有所帮助，内容主要包括杂志、优秀的知乎问答、优秀图书及优秀博文。如果你也有好的学习资料，欢迎留言，或邮件我们 [email protected]，感谢您的支持！
杂志：
内容目录：
- 第1章 推荐算法简介
- 第2章 协同过滤推荐算法
- 第3章 基于内容的过滤算法
- 第4章 混合推荐算法
- 第5章 如何选择推荐算法
- 第6章 推荐系统和搜索引擎的关系
内容目录：
- 第1章 微博推荐架构的演进
- 第2章 Netflix的推荐系统和架构
- 第3章 博客推荐系统
- 第4章 Spotify每周歌曲推荐算法解析
- 第5章 达观个性化推荐系统实践
书籍
① 《推荐系统实践》
作者：项亮、陈义
图书简介：本书从数据出发，一步步地介绍在得到什么数据的时候可以设计怎样的推荐系统。面向广大的推荐系统开发人员，以实战为基础，深入浅出地介绍每种推荐方法背后的理论基础，着重讨论每种算法的实现、在实际系统中的效果、方法的优点、缺陷以及解决方法。本书的几位作者是目前国内推荐系统方面做得最好的技术人员。
我们搜索到了两篇关于本书的优秀学习笔记，也放在这里让大家参考：
② 《推荐系统》
作者：Dietmar Jannach, Markus Zanker, Alexander Felfernig, Gerhard Friedrich
关于本书作者，图灵社区做了一次访谈（英文）：
知乎问答
- 《如何学习推荐系统》
- 《类似今日头条这样的个性化推荐网站怎么评价推荐质量的优劣？》
- 《推荐系统有哪些比较好的论文？》
- 《推荐系统有哪些坑？》
- 《推荐系统或信息发现领域，有哪些经典的论文? 》
- 《想学习推荐系统，如何从小白成为高手? 》
- 《如何学习推荐系统？》
- 《搜索推荐系统是如何实现的？》
- 《个人推荐系统有哪些开源项目？》
优秀博文推荐
- 《推荐系统基础知识储备》（2015-11-19，博客虫）
- 《实时个性化推荐系统简述》（2013-07-05，网易杭研后台技术中心）
- 《 <纽约时报>如何打造新一代推荐系统 》（2015-08-27，极客头条）
- 《沈国阳：美团推荐系统整体框架与关键工作》（CSDN云计算，2015-08-13）
- 《从算法到案例：推荐系统必读的10篇精选技术文章》（InfoQ，2015-12-26）
- 《推荐算法综述》 综述一、 综述二、 综述三、 综述四、 综述五（InfoQ系列翻译文章，2016）
- 《推荐系统开源软件列表汇总和点评》（CSDN博文，2013-11-06）
- 《实时推荐系统架构升级实践》（ 优酷土豆大数据团队，2016-05-26）
- 《说说标签算法在视频推荐的那些事儿》（优酷土豆大数据团队，2016-02-03）
- 《推荐系统》 《第1部分：方法和算法简介》、 《第2部分：开源引擎简介》（IBM developerWorks，2015-07）
- 《从无到有，如何21天搭建一个推荐系统》（云栖社区，2016-05-06）
阿里云推荐系统（背景资料）
- 《观察：站在同一起跑线思考大数据的未来》（云栖大会，2016-01-25）
- 《阿里云大数据的前世今生》（云栖大会，2016-02-02）
- 《从无到有，如何21天搭建一个推荐系统》（云栖大会演讲内容整理，2016-05-06）
- 《探究推荐引擎瞬间被“秒”背后：究竟是什么让用户接踵而至？》（采访，2016-05-27）
出处： aliyun
相关 [推荐系统 精品 资料] 推荐：
Min-Hash和推荐系统
- - xlvector - Recommender System前几年看Google News Recommendation的那篇Paper，对里面提到的MinHash的算法基本没有注意，因为之前的习惯都是只注意论文的模型那块，至于怎么优化模型一般都只是扫一眼. 不过最近看了大量的Google Paper，发现Google在实现一个算法方面确实有很多独到之处. 其实，Min-Hash是LSH（Locality Sensitive Hash）的一种，我之前对LSH的了解仅仅限于知道它能把两个相似的东西Hash成两个汉明距离接近的2进制数.
推荐系统实战
- - 博客园_首页推荐算法：基于特征的推荐算法. 推荐算法准确度度量公式：. 其中，R(u)表示对用户推荐的N个物品，T(u)表示用户u在测试集上喜欢的物品集合. 集合相似度度量公式(N维向量的距离度量公式)：. 其中，N(u)表示用户u有过正反馈的物品集合. 其中，S(u,k)表示和用户u兴趣最接近的K个用户集合；N(i)表示对物品i有过正反馈的用户集合；w(u,v)表示用户u和用户v的兴趣相似度；r(v,i)表示用户v对物品i的兴趣.
推荐系统杂谈
- - 后端技术杂谈 | 飒然Hang推荐系统是近些年非常火的技术，不管是电商类软件还是新闻类app，都号称有精准的推荐系统能给你推送你最感兴趣的内容. 现象级的资讯类app“今日头条”就得益于此成为了势头非常猛的一款产品. 本文就针对推荐系统讲述一些相关概念和实践经验. 首先需要明确的就是推荐系统的目标，一般来说不外乎以下几个：. 用户满意性：首当其冲的，推荐系统主要就是为了满足用户的需求，因此准确率是评判一个推荐系统好坏的最关键指标.
个性化推荐系统综述
- Tony - 所有文章 - UCD大社区上个月写过一篇产品推荐的文章，详情请见《我所了解的产品推荐》，内容很泛，多为工作心得. 本周读了几篇相关的论文，收获颇多，分享点干货. 以下内容摘自《个性化推荐系统的研究进展》，该文发表于2009年1月的《自然科学进展》专题评述，作者是刘建国、周涛、汪秉宏. 我略去了具体的算法和许多公式，重点看原理、思路和比较.
推荐系统开源工具 – SVDFeature
- Roger - Resys ChinaSVDFeature是我们（上海交大Apex实验室）在参加KDDCUP 2011期间开发的. 通过这个工具，我们和港科大（HKUST）的联合小组InnerPeace在KDDCUP 2011中获得Track 1第三名，并创造单模型最好成绩. 在此分享给大家，并希望和大家有更多的交流. （1）基于feature的可扩展性 —— SVDFeature实现了我们的基础模型feature-based matrix factorization.
Reculike : 开源论文推荐系统
- votis - Resys China今天这篇博文主要总结一下reculike的系统架构. 两周前我们宣布发布了reculike的alpha版. 本着分享的原则，今天在这儿介绍一下我们的各个模块的设计方法. 我们这个项目一开始叫paperlens，这是因为我们想学习业界的前辈movielens，开发一个源代码和数据都开源的系统. 关于数据的开源，我想当用户数达到一定程度后，每个月会dump一次我们所有的数据库（密码等隐私信息除外），放到网络上供大家下载.
推荐系统那些事儿1
- - 冰火岛知识库：用户知识库，Item知识库，用户评分数据（显性和隐性）等.不同的业务背景不一样，譬如电商，社交网络，视频，app应用等. 协同过滤引擎：根据用户评分数据集，通过collaborative filtering方法，计算用户喜欢的top N
item. 数据格式： userid， itemid，score.
下一代个性化推荐系统
- - 技术改变世界 创新驱动中国 - 《程序员》官网本文结合技术及社会需求发展的大背景，讲述了当前推荐系统的价值及所面临的挑战，并指出了下一代个性化推荐系统的设计思路及需要注意的问题. 作为个性化推荐系统核心的协同过滤（Collabora-tive Filtering）算法，是Goldberg等人在1992年的一篇学术论文中最早提出的. 他们在这篇文章中提出一种方法，在一个新闻组中，根据 用户下载的新闻计算他们之间在口味上的相似程度，并利用这种相似程度为他们进一步推荐相关的新闻.
淘宝推荐系统的学习
- - 标点符维基百科：推荐系统属于资讯过滤的一种应用. 推荐系统能够将可能受喜好的资讯或实物（例如：电影、电视节目、音乐、书籍、新闻、图片、网页）推荐给使用者. 推荐系统大体可分为两类，即个性化推荐和非个性化推荐. 好的推荐系统更像一个有经验的网站导购员. 不同点：搜索是通过用户主动输入的关键字进行查询. 推荐则是用户在浏览网站的过程中，不一定需要用户输入，根据当前网页的上下文进行个性化的信息输出.