推薦系統乾貨總結

前言

推薦系統是一個相當火熱的研究方向，在工業界和學術界都得到了大家的廣泛關注。希望通過此文，總結一些關於推薦系統領域相關的會議、知名學者，以及做科研常用的數據集、代碼庫等，一來算是對自己涉獵推薦系統領域的整理和總結，二來希望能夠幫助想入門推薦系統的童鞋們提供一個參考，希望能夠儘快上手推薦系統，進而更好更快的深入科研也好、工程也罷。

一、 相關會議

對於推薦系統領域，直接相關的會議不多，但由於推薦系統會涉及到數據挖掘、機器學習等方面的知識，並且推薦系統作為數據挖掘和機器學習的重要應用之一，同時推薦系統往更大的領域靠攏的話也屬於人工智慧的範疇，因此很多做推薦的學者把目光也瞄向了數據挖掘、機器學習和人工智慧方面的會議。所以，如果想關注推薦系統的前沿，我們需要不僅關注推薦系統年會，還需要關注其他與推薦掛鉤的會議。

1、與推薦系統直接相關的會議

RecSys -The ACM Conference Series on Recommender Systems.

2、數據挖掘相關的會議

SIGKDD - The ACM SIGKDD Conference on Knowledge Discovery and Data Mining.

WSDM - The International Conference on Web Search and Data Mining.

ICDM - The IEEE International Conference on Data Mining.

SDM -TheSIAM International Conference on Data Mining.

3、機器學習相關的會議

ICML - The International Conference on Machine Learning.

4、信息檢索相關的會議

SIGIR - The ACM International Conference on Research and Development in Information Retrieval

5、資料庫相關的會議

CIKM - The ACM International Conference on Information and Knowledge Management.

6、Web相關的會議

WWW - The International World Wide Web Conference.

7、人工智慧相關的會議

AAAI - The National Conference of the American Association for Artificial Intelligence.

IJCAI - The International Joint Conference on Artificial Intelligence.

二、相關學者

1、Yehuda Koren

個人主頁：Korens HomePage

主要貢獻：Netflix Prize的冠軍隊成員，是推薦系統領域的大神級人物，現就職於雅虎

代表文獻：Matrix Factorization Techniques For Recommender Systems

2、Hao Ma

個人主頁：HaoMas HomePage

主要貢獻：社會化推薦領域的大牛，提出了許多基於社會化推薦的有效演算法，現就職於微軟

代表文獻：SoRec: Social Recommendation Using Probabilistic Matrix Factorization

3、郭貴冰

個人主頁：Guibing Guos HomePage

主要貢獻：國內推薦系統大牛，創辦了推薦系統開源項目LibRec

代表文獻：TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings

4、Hao Wang

個人主頁：HaoWangs HomePage

主要貢獻：擅長運用深度學習技術提高推薦系統性能

代表文獻：Collaborative deep learning for recommender systems

5、何向南

個人主頁：Xiangnan Hes Homepage

主要貢獻：運用深度學習技術提高推薦系統性能

代表文獻：Neural Collaborative Filtering

6、Robin Burke

個人主頁：rburkes HomePage

主要貢獻：混合推薦方向的大牛

代表文獻：Hybrid recommender systems: Survey and experiments

7、項亮

主要貢獻：國內推薦系統領域中理論與實踐並重的專家，Netflix Prize第二名

代表文獻：《推薦系統實踐》。

8、石川

個人主頁：shichuans HomePage

主要貢獻：研究方向為異質信息網路上的推薦，提出了加權的異質信息相似度計算等

代表文獻：Semantic Path based Personalized Recommendation on Weighted Heterogeneous Information Networks

三、關於數據集

1、MovieLens

適用於傳統的推薦任務，提供了3種不同規模的數據，包含用戶對電影的評分信息，用戶的人口統計學特徵以及電影的描述特徵。

2、Filmtrust

適用於社會化推薦任務，規模較小，包含用戶對電影的評分信息，同時包含用戶間的信任社交信息。

3、Douban

適用於社會化推薦任務，規模適中，包含用戶對電影的評分信息，同時包含用戶間的信任社交信息。

4、Epinions

適用於社會化推薦任務，規模較大，包含用戶對電影的評分信息，同時包含用戶間的信任社交信息，值得注意的是，該數據集同時還包括不信任關係信息。

5、Yelp

幾乎適用於所有推薦任務，數據規模大，需要手動提取自己需要的信息，包含評價評分信息，用戶信息（註冊信息、粉絲數量、朋友信息），商品信息（屬性信息、位置信息、圖像信息），建議信息等。

四、代碼與工具

1、LibRec

java版本開源推薦系統，包含了70多種經典的推薦演算法。

2、Surprise

python版本開源推薦系統，包含了多種經典的推薦演算法。

3、LibMF

c++版本開源推薦系統，主要實現了基於矩陣分解的推薦演算法。

4、Recommender-System

python版本開源推薦系統，包含了多種經典的推薦演算法。

5、Neural Collaborative Filtering

python實現神經協同過濾推薦演算法。

未完待續...

註：本人能力有限，以期在總結中提高，思考中進步。如若有識之士欲共謀此事，歡迎補充。

感謝@CharlesFeng的補充

推薦閱讀：