从事推荐系统已经快一年了，遇到过很多的茫然不知所措，也踩过不少坑，索性把所有推荐的资料都汇总一下，希望给新人以指引，或者给老司机作为归纳总结
如果电子书链接失效，可以私信我
算法基础
博客整理
业界参考
推荐文章
书籍推荐
算法基础
对于推荐系统是需要一些数学和机器学习的基本功的，假设你从来没有接触过机器学习，可以按照下面的步骤进行系统的学习：
数学方面
学习 高数中的求导、概率论整本书、线性代数矩阵计算相关内容，参考的书就是大学的基础教材就行了，也可以阅读《程序员数学系列》，网上都有pdf版，如果找不到下载，可以私信我。
机器学习
首先了解逻辑回归、K近邻、K均值、SVM、贝叶斯等算法，一定要深刻理解梯度下降。
另外需要了解基于SVD的协同过滤算法、FPGrowth频繁相机挖掘。
还有各种相似度的计算，常用的就是欧氏距离（简单暴力）、皮尔森（适合评论评分）、杰卡德（适合离散特征计算）、夹角余弦（适合数值特征计算）。
从逻辑回归到深度学习，点击率预测技术面面观
深度学习
不推荐一上来就用深度学习搞推荐，不容易理解，也不好结合业务。
目前深度学习结合推荐的场景不是很多，大多就是全局推荐或者凑单算法：
「推荐系统」领域近期有哪些值得读的论文？| 每周论文清单
阿里凑单算法首次公开！基于Graph Embedding的打包购商品挖掘系统解析
paddlepaddle deep recommendation
博客整理
2018-01-30 模型选择与参数调优之交叉验证
2018-02-06 极大似然估计的理解与应用
2018-03-19 推荐系统指标评测——覆盖率与基尼系数的算法与应用
2018-07-03 (转)推荐系统遇上深度学习
2018-07-09 (转)Jachin关于推荐系统和广告算法大赛的总结
2018-07-09 (转)lorderYu关于推荐系统的文章
业界参考
在互联网的时代，如果什么东西都自己研究，那真是闭门造车、浪费生命了，在各大互联网巨头拥抱开源的时候，往往会公开一些系统设计的资料，我们也应该好好利用这些资料，站在巨人的肩膀上做事情。
所以，想要自己做推荐系统，最佳的入门办法就是看看业界是怎么做的。
百分点
百分点推荐引擎——从需求到架构
百度技术沙龙第31期回顾：推荐引擎算法与技术（含资料下载）
从算法到案例：推荐系统必读的10篇精选技术文章
武毅：大数据处理中算法调优不是最重要的
今日头条
作为新闻客户端，头条应该算是推荐的佼佼者了，今日头条也公开了内部的算法，让人眼前一亮。
今日头条推荐算法原理
腾讯推荐引擎
腾讯只是找到了一个简单的实时推荐的ppt，由于使用的框架都是自己的，所以参考价值不是很大，这里不得不吐槽一下，腾讯公开的资料真少...扣(鼻)。
腾讯实时推荐架构
阿里云推荐引擎
阿里的推荐引擎由于是对外使用的，所以做的很通用，如果同样想做这样一款产品，可以参考他们的产品设计文档，从数据底层设计到算法组成，到业务配置都很全面。我是从这里面学到不少东西，另外没事多用用淘宝，研究下他们的推荐效果也是很好的学习方式。
阿里云推荐引擎
推荐文章·持续更新
公众号
名字
公众号
说明
Java技术
ImportNew
Java专业文章
优秀论文
paperweekly
关于AI人工智能方面
图灵教育
turingbooks
关注经典书籍
美团技术
meituantech
美团点评技术团队
阿里技术
ali_tech
国内巨头啊！怎么能不关注！
基础类
什么是参数与超参数
算法类
Bandit算法解决EE问题
专治选择困难症——bandit算法
产品类
如何评价好的推荐系统
推荐系统那点事儿1
推荐系统那点事儿2
没事就看看之云栖系列
论文
The Google File System
MapReduce: simplified data processing on large clusters
Bigtable_A Distributed Storage System for Structured Data
爱可可-爱生活的微博：经常发高质量论文
Deep Reinforcement Learning for List-wise Recommendations.pdf
书籍推荐
数学类
《高等数学 上册·同济大学第六版》
《高等数学 下册·同济大学第六版》
《概率论与数理统计·浙江大学第四版》
《线性代数·同济大学第五版》
《程序员的数学1 高等数学》
《程序员的数学2 概率统计》
《程序员的数学3 线性代数》
机器学习
《机器学习实战》
《机器学习》周志华，人称西瓜书
《深度学习》，人称花书
推荐系统
《推荐系统实践》项亮
《计算广告学》刘鹏
发表评论