思维导图
研0小白整理的入门级学习资料如下:
background:在已学习吴恩达老师的机器学习课程和部分李宏毅老师课程的基础上,在推荐系统领域继续深入学习。
blog阅读
1.0 推荐系统入门
推荐系统从入门到接着入门https://zhuanlan.zhihu.com/p/27502172这篇知乎专栏是一个很好的引入文章,它主要回答了以下几个问题:
1. 什么是推荐系统?它和搜索引擎有什么区别?
2. 推荐系统有哪些种类?它们的详细介绍是什么?
3. 基于矩阵分解的推荐是怎么发展演变的?
4. 如何评价一个推荐系统的好坏?
[注]:在搜索学习资料的时候,手动用到了协同过滤的思想。找到同类别学习领域的博主,通过观察他们的收藏夹和文章,来收集需要的信息。
1.1 推荐系统再入门——上
一文读懂推荐系统知识体系-上(概念、结构、算法)https://mp.weixin.qq.com/s/ZguBT_2AqMUkf2IRRkGYTw与1.0对比,同样是回答上述的问题,这篇文章做出了更加详尽的介绍,有利于快速学习入手,省去了部分阅读相关书籍、综述的时间。里面的信息密度很大,除了泛泛略读入门,也适合系统学习后把它作为大纲来复习、巩固记忆。
1.2 推荐系统再入门——下
一文读懂推荐系统知识体系-下(评估、实战、学习资料)https://mp.weixin.qq.com/s/EGBT2I5itiZ3qXQW53EC5w
课程学习
2.1 Google课程——Recommendation Systems
中文笔记(DNN之前结束)
入坑推荐系统,从Google这篇开始 - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/370469782目标:
了解在类似Youtube/GooglePlay这种巨多Items的环境下,如何做好推荐。即工业环境下的推荐系统。
学习三个经典的推荐系统设计与代码实现。
笔记
Overview
Candidate Generation Scoring Re-ranking
Candidate Generation
1. Overview:
不同的相似度衡量方法与它们之间的区别
2. Content-based CF:
优点/缺点
3. 协同过滤CF与矩阵分解Matrix Factorization:通过不同的CF模型能够自动得到embeddings,这里的矩阵分解就是其中一种模型。
剩余部分待补充……