有哪些關於推薦系統的前沿資料或者文獻值得推薦？

01-09

最近一直在研究推薦演算法的相關問題，不過由於從純數學過渡到做數據挖掘的日子還很短，對IT這塊前沿的東西接觸不多，大家能不能推薦一些前沿的推薦系統的資料和文獻給俺學習一下哦？

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！

2016.7.26

-----------------------------------------

除了知友嚴林的推薦外，再附上一些值得讀的經典論文。具體如下：

推薦基礎（主要涉及矩陣分解、隱式反饋等）：

1. Recommendations Item-to-Item Collaborative Filtering

2. Probabilistic Matrix Factorization

3. Matrix Factoritorization Techniques For Recommender Systems

4. Collaborative Filtering for Implicit Feedback Datasets

5. SoRec: Social Recommendation Using Probabilistic Matrix Factorization

6. Bayesian Personalized Ranking from Implicit Feedback

分散式推薦（主要考慮ALS和SGD的並行）：

7. Large-scale Parallel Collaborative Filtering for the Netflix Prize

8. Large-Scale Matrix Factorization with Distributed Stochastic Gradient Descent

9. Scalable Coordinate Descent Approaches to Parallel Matrix Factorization for Recommender Systems

結合深度學習（大部分可以歸類為混合推薦，有一些則是用DL直接做協同過濾）：

10. Restricted Boltzmann Machines for Collaborative Filtering

11. Hybrid Collaborative Filtering with Neural Networks

12. Deep content-based music recommendation

13. Relational Stacked Denoising Autoencoder for Tag Recommendation

14. Collaborative Deep Learning for Recommender Systems

15. A Deep Embedding Model for Co-occurrence Learning

16. Factorization Meets the Item Embedding: Regularizing Matrix Factorization with Item Co-occurrence

----------------------------------------

可以進一步參考我在另一個問題上的答案，介紹的是Collaborative Topic Regression&系列論文，算是近幾年混合推薦里比較好的模型了，2015年被紐約時報作為其推薦基礎。

推薦系統有哪些比較好的論文？ - 李其柄的回答

ps，最近開始嘗試自己編輯，歡迎大家指正和交流。

謝邀，前幾位推薦文章的不錯。之前參與設計過推薦系統，一直在關注這個領域的最新成果，補充幾篇剛剛看完，2016年底發表且影響因子高的。

Hybrid Recommender Systems based on Content Feature Relationship 2016.11

這裡提出一種新穎的方法來提取內容特徵關係矩陣，與混合推薦演算法相融合進行協同過濾推薦，對系統了解推薦系統很有幫助。

A Nonnegative Latent Factor Model for Large-Scale Sparse Matrices in Recommender Systems via Alternating Direction Method 2016.11

三位教授提出了一種基於交替方向法（ADM）的非負滯潛因子（ANLF）模型，提高收斂速率的同時降低複雜度。

An evolutionary approach for combining results of recommender systems techniques based on collaborative filtering 2016.7

觀點新穎，作者另闢蹊徑提出了一種使用搜索演算法來優化技術組合的新推薦方法Invenire，通過組合不同推薦方法的結果來動態調優。

以上，有時間再來更新。

歡迎關注我存儲知識的地方：預見未來——Han Hsiao的知乎專欄Foresee

《A Programmer"s Guide to Data Mining》

http://guidetodatamining.com/

這是一本免費數據挖掘電子書，其中涉及推薦系統、分類、貝葉斯方法。提供pdf以及代碼（python）

找到資料啦，http://johnriedl.com 明尼蘇達john riedl 教授個人主頁//推薦系統研究的聖地。

另外還有本叫《Recommender Systems Handbook》，這可以算是推薦系統研究工程師的經典教科書

你好，推薦去科學網周濤（http://blog.sciencenet.cn/home.php?mod=spaceuid=3075do=blogid=614260），張子柯（http://blog.sciencenet.cn/blog-210641-587124.html）的博客作為入口，了解更多的信息。此外有他們參與的項目牛贊網，你也可以註冊申請，體會一下推薦系統是如何發揮作用的。

補充，這本書現在叫《推薦系統實踐》幾個B2C網站都有。

結合58招聘推薦的場景，基於長期的業務實踐，寫了一篇《分散式離線加實時增量更新的協同過濾演算法》，希望能和大家一起學習交流。

該文的組織邏輯如下：

首先，簡單介紹58趕集招聘業務線現在的推薦系統現狀；

然後，詳細講述本文基於招聘推薦場景實現的離線加實時的Item based CF演算法分散式設計與實現；

其次，給出了實際線上AB實驗的推薦效果分析；

最後，簡述了該演算法的未來可優化點。