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。

  1. 论文：以论文形式发表的，期刊数据库中可以下载到。
  2. 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。
  3. 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。
  4. 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。

  • 题目：文本上的算法

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。

  • 题目：LDA 数学八卦

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

  • 题目：Amazon.com recommendations: item-to-item collaborative filtering

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。

  • 题目：在线最优化求解

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。

  • 题目：Information Seeking-Convergence of Search, Recommendations and Advertising

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

  1. Pattern Recognization and Machine Learning（机器学习基础，有此一本足够了）。
  2. 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）。
  3. 信号与噪声（介绍贝叶斯统计的一本科普书）。
  4. 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）。
  5. 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。

打包资料下载地址：