一、相关会议
1.与推荐系统直接相关的会议:
- RecSys -The ACM Conference Series on Recommender Systems.
2.数据挖掘相关会议:
- 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.机器学习相关会议:
- ICML - The International Conference on Machine Learning.
4.信息检索相关会议:
- SIGIR - The ACM International Conference on Research and Development in Information Retrieval
5.数据库相关会议:
- CIKM - The ACM International Conference on Information and Knowledge Management.
6.Web想馆会议:
- WWW - The International World Wide Web Conference.
7.人工智能相关会议:
- AAAI - The National Conference of the American Association for Artificial Intelligence.
- IJCAI - The International Joint Conference on Artificial Intelligence.
二、相关学者
1.Yehuda Koren
个人主页:Koren's HomePage
主要贡献:Netflix Prize的冠军队成员,是推荐系统领域的大神级人物,现就职于雅虎
代表文献:Matrix Factorization Techniques For Recommender Systems
2.Hao Ma
个人主页:HaoMa's HomePage
主要贡献:社会化推荐领域的大牛,提出了许多基于社会化推荐的有效算法,现就职于微软
代表文献:SoRec: Social Recommendation Using Probabilistic Matrix Factorization
3.郭贵冰
主要贡献:国内推荐系统大牛,创办了推荐系统开源项目LibRec
代表文献:TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings
4.Hao Wang
个人主页:HaoWang's HomePage
主要贡献:擅长运用深度学习技术提高推荐系统性能
代表文献:Collaborative deep learning for recommender systems
5.何向南
主要贡献:运用深度学习技术提高推荐系统性能
代表文献:Neural Collaborative Filtering
6.Robin Burke
个人主页:rburke's HomePage
主要贡献:混合推荐方向的大牛
代表文献:Hybrid recommender systems: Survey and experiments
7.项亮
主要贡献:国内推荐系统领域中理论与实践并重的专家,Netflix Prize第二名
代表文献:《推荐系统实践》。
8.石川
个人主页:shichuan's HomePage
主要贡献:研究方向为异质信息网络上的推荐,提出了加权的异质信息相似度计算等
代表文献:Semantic Path based Personalized Recommendation on Weighted Heterogeneous Information Networks
三、相关课程
Recommender Systems Specialization
最近,coursea上开放了推荐系统专项课程《Recommender Systems Specialization》。
该课程于2018年3月26日开课,这个系列由4门子课程和1门毕业项目课程组成,包括推荐系统导论,最近邻协同过滤,推荐系统评价,矩阵分解和高级技术等,感兴趣的同学可以关注。
四、关于数据集
1.MovieLens:适用于传统的推荐任务,提供了3种不同规模的数据,包含用户对电影的评分信息,用户的人口统计学特征以及电影的描述特征。
2.Filmtrust:适用于社会化推荐任务,规模较小,包含用户对电影的评分信息,同时包含用户间的信任社交信息。
3.Douban:适用于社会化推荐任务,规模适中,包含用户对电影的评分信息,同时包含用户间的信任社交信息。
4.Epinions:适用于社会化推荐任务,规模较大,包含用户对电影的评分信息,同时包含用户间的信任社交信息,值得注意的是,该数据集同时还包括不信任关系信息。
5.Yelp:几乎适用于所有推荐任务,数据规模大,需要手动提取自己需要的信息,包含评价评分信息,用户信息(注册信息、粉丝数量、朋友信息),商品信息(属性信息、位置信息、图像信息),建议信息等。
五、代码与工具
1、LibRec:java版本开源推荐系统,包含了70多种经典的推荐算法。
2、Surprise:python版本开源推荐系统,包含了多种经典的推荐算法。
3、LibMF:c++版本开源推荐系统,主要实现了基于矩阵分解的推荐算法。
4、Recommender-System:python版本开源推荐系统,包含了多种经典的推荐算法。
5、Neural Collaborative Filtering:python实现神经协同过滤推荐算法。