推薦系統有哪些比較好的論文？

11-24

最好是像kdd的論文和presentation那樣，從特定問題出發，特徵工程、模型選擇等整個過程都提及的

（昨天正好回答過一個相關問題，拿過來給題主參考以下）
推薦幾篇對工業界比較有影響的論文吧：
1. The Wisdom of The Few 豆瓣阿穩在介紹豆瓣猜的時候極力推薦過這篇論文，豆瓣猜也充分應用了這篇論文中提出的演算法；
2. Restricted Boltzmann Machines for Collaborative Filtering 目前Netflix使用的主要推薦演算法之一；
3. Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model 這個無需強調重要性，LFM幾乎應用到了每一個商業推薦系統中；
4. Collaborative Filtering with Temporal Dynamics 加入時間因素的SVD++模型，曾在Netflix Prize中大放溢彩的演算法模型；
5. Context-Aware Recommender Systems 基於上下文的推薦模型，現在不論是工業界還是學術界都非常火的一個topic；
6. Toward the next generation of recommender systems 對下一代推薦系統的一個綜述；
7. Item-Based Collaborative Filtering Recommendation Algorithms 基於物品的協同過濾，Amazon等電商網站的主力模型演算法之一；
8. Information Seeking-Convergence of Search, Recommendations and Advertising 搜索、推薦和廣告的大融合也是未來推薦系統的發展趨勢之一；
9. Ad Click Prediction: a View from the Trenches 可以對推薦結果做CTR預測排序；
10. Performance of Recommender Algorithm on top-n Recommendation Task TopN預測的一個綜合評測，TopN現在是推薦系統的主流話題，可以全部實現這篇文章中提到的演算法大概對TopN有個體會；
11. http://dsec.pku.edu.cn/~jinlong/publication/wjlthesis.pdf 北大一博士對Netflix Prize演算法的研究做的畢業論文，這篇論文本身對業界影響不大，但是Netflix Prize中運用到的演算法極大地推動了推薦系統的發展；
通過這些論文可以對推薦系統有個總體上的全面認識，並且能夠了解一些推薦系統的發展趨勢。剩下的就是多實踐了。Good luck！

------------------------------------------------------------羊年大年初一補充-----------------------------------------------------
Quora上有一個相關的回答，質量非常不錯：http://www.quora.com/What-are-the-seminal-papers-on-recommender-systems 回答了關於推薦系統起源問題的相關論文，同樣值得閱讀。

推薦兩篇必看（最好能自己實現）論文，其他的論文其實都是在這基礎上build起來的。
http://Amazon.com Recommendations Item-to-Item Collaborative Filtering
http://www.cin.ufpe.br/~idal/rs/Amazon-Recommendations.pdf

MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS
https://datajobs.com/data-science-repo/Recommender-Systems-%5BNetflix%5D.pdf

2016.7.25
------------------------------------------
看了幾位的回答，涉及到了不少經典論文。我再補充幾篇頂會上的有趣論文吧。
(Collaborative Topic Regression&系列論文，作者是Blei的學生。在2015年被紐約時報採用，作為其推薦基礎，building-the-next-new-york-times-recommendation-engine）

CTR將概率矩陣分解(PMF)和潛在狄利克雷劃分(LDA)以緊耦合方式融合到同一個概率框架下，即將基於內容的推薦和協同過濾相結合，可以很好地解決冷啟動問題。最值得注目的是，它具有非常漂亮的推薦解釋性！如下圖，CTR認為用戶1對機器學習主題感興趣，因此可以推薦3,4,5,8(打叉處)等文章，從標題我們就可以看出其跟Machine Learning是相關的。

還可以發現原始LDA不能發現的隱式主題，起到補充作用。如下圖文檔Maximum likelihood from incomplete data via the EM algorithm，LDA只能發現其的文本字面層面的主題(text exhibits，如parameter estimation)，而CTR結合了協同過濾CF後，能夠進一步發現隱藏主題(popularity exhibits，如Bayesian statistics)，因為這篇文檔被很多對貝葉斯統計感興趣的學者所喜歡，那麼它就具有這一隱式主題表徵。

具體論文如下，主要就是在CTR基礎上有了很多改進，比如融合用戶社交關係、物品關係、物品標籤、注意力機制、上下文感知等要素。其中第8和9篇也讓我印象深刻，8是SDAE的貝葉斯化，9在用戶-物品-標籤三者上"直接"建立聯繫。

1. KDD11－Collaborative Topic Modeling for Recommending Scientific Articles
2. ICML12－Collaborative Topic Regression with Social Matrix Factorization for
Recommendation Systems
3. IJCAI13－Collaborative Topic Regression with Social Regularization for Tag Recommendation
4. AAAI13－LA-CTR: A Limited Attention Collaborative Topic Regression for Social Media
5. AAAI14－Context-Aware Collaborative Topic Regression with Social Matrix Factorization for Recommender Systems
6. AAAI15－Relational Stacked Denoising Autoencoder for Tag Recommendation
7. TKDE15－Relational Collaborative Topic Regression for Recommender Systems
8. KDD15－Collaborative Deep Learning for Recommender Systems
9. AAAI16－Capturing Semantic Correlation for Item Recommendation in Tagging Systems

其中6和8是CTR和DL的結合。需要注意的是，深度學習在推薦系統的應用還相當的少，google都找不到幾篇。因此這兩篇也很值得深入閱讀，目前還只是停留在SDAE挖掘物品內容特徵的階段。

當然還有從其他角度出發，直接採用DL做協同過濾的論文，比如：

10. Restricted Boltzmann Machines for Collaborative Filtering

11. Hybrid Collaborative Filtering with Neural Networks

2016.7.26
-----------------------------------------
剛才在這個問題下添加了自己的回答，涉及到了更多值得一讀的論文。
有哪些關於推薦系統的前沿資料或者文獻值得推薦？ - 我的回答

ps，開始嘗試自己編輯答案，歡迎大家指正和交流。

個人愚見，工業界常用的推薦演算法並不像論文中那麼複雜，精細的特徵工程+簡單可行的模型+各種trick策略。比如CF。
看過一些基於矩陣分解的思路做推薦系統的論文，可能偏理論了不太貼近實際應用，貼出來供參考：
1，Factorization Machines with libFM。個人認為最經典的。
2, SVDFeature A Toolkit for Feature-based Collaborative Filtering。上海交大幾個大牛的作品。
3，Pairwise Interaction Tensor Factorization for Personalized Tag Recommendation。標籤推薦，張量分解。
4，Factor in the Neighbors: Scalable and Accurate Collaborative Filtering。
5，Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model。I利用用戶的顯式或者隱式反饋提高準確率
6, Improving regularized singular value decomposition for collaborative filtering, 標準矩陣分解方法。
7， Maximum-Margin Matrix Factorization.
8, Probabilistic Matrix Factorization
9, Regression-based Latent Factor Models
10, Bayesian Probabilistic Matrix Factorization using Markov Chain Monte Carlo
11, Feature-Based Matrix Factorization.
12, Algorithms for Non-negative Matrix Factorization
不一定都合適，湊合著看吧。

CSE 291 Trends in Recommender Systems and Human Behavioral Modeling

那本《推薦系統技術，評估及高效演算法》後面的參考文獻就挺詳細的

githup上有一些比較經典的推薦系統論文分享