100篇精选算法技术文章收藏

目前按照文章的主题大致分成了下面几个模块，每个模块内都是按照发表时间由近到远排列：

• 排序&CXR预估

• 召回匹配

• 用户画像&特征工程

• 推荐搜索综合

• 计算广告

• 大数据

• 图算法

• NLP&CV

• 求职面试

由于微信的文章不方便经常更新，我把这份目录也同步在了github上，并且支持主题跳转。对于想要实时获得最新更新的同学，可以关注一下https://github.com/shenweichen/AlgoNotes(文末【阅读原文】可访问，或公众号后台回复【目录】）

排序&CXR预估

• 分类模型与排序模型在推荐系统中的异同分析

• 推荐系统中的排序学习

• CIKM20 | 阿里MiNet：跨域点击率预估混合兴趣模型

• KDD19 | 微软DeepGBM:使用树蒸馏提升在线预测任务下深度模型效果

• 推荐系统rank模块-Online Learning

• IJCAI19 | 推荐系统论文DSIN：Deep Session Interest Network

• Life-long兴趣建模视角CTR预估模型：Search-based Interest Model

• Ctr 预估之 Calibration

• AAAI20 | 阿里DMR:融合Match中协同过滤思想的深度排序模型

• 线下auc涨，线上ctr/cpm跌的原因和解决办法

• 【视频讲解】DeepCTR中的xDeepFM原理和实现

• 【视频讲解】DeepCTR中的Deep&Cross Net原理和实现

• 【视频讲解】DeepCTR中的Wide&Deep原理和实现

• 【视频讲解】DeepCTR中的DeepFM原理和实现

• 常见CTR论文挑刺

• 万字长文梳理CTR预估模型发展过程与关系图谱

• Evolution of CTR prediction models

• AAAI19 | 谷歌SNR: 灵活参数共享的多任务学习网络

• CIKM19 | 如何刻画用户的多样兴趣——阿里MIND阅读笔记

• CIKM19 | Fi-GNN 通过图神经网络建模特征交互作用来进行CTR预测

• WWW18 | TEM:结合GBDT叶节点嵌入的可解释推荐模型

• 教你玩转deepctr的FLEN模型& Kaggle Avazu实验对比

• 浅谈流式模型训练体系

• 【CTR预估】FLEN: 一种时空高效的利用特征场信息缓解梯度耦合的CTR预测模型

• 【CTR预估】CTR模型如何加入稠密连续型和序列型特征？

• 【CTR预估】你真的需要 pairwise LTR吗？速览搜索推荐中pointwise和pairwise方法

• Learning to rank基本算法小结

召回匹配

• Embedding 技术在民宿推荐中的应用

• EMBEDDING 在大厂推荐场景中的工程化实践

• KDD18 | 阿里新一代召回系统TDM读后感

• 再评Airbnb的经典Embedding论文

• 推荐系统召回层做离线评估的一种姿势

• SIGIR20 | 一文综述Learning to Match各种方法对比

• 推荐系统主流召回方法综述

• 一文梳理推荐系统的中 EMBEDDING 的应用实践

• Faiss - 常见问题总结

• CIKM18 | CFGAN：基于生成对抗网络的协同过滤框架

• 从 Triplet loss 看推荐系统中文章Embedding

• SDM(Sequential Deep Matching Model)的复现之路

• RecSys19 | 谷歌最新双塔DNN召回模型——应用于YouTube大规模视频推荐场景

• 向量化召回在360信息流广告的实践

• DeepMatch ：用于推荐&广告的深度召回匹配算法库

• 【DeepMatch教程】YoutubeDNN在MovieLen1M数据集上进行向量召回

• KDD19 | 算法调研-微信看一看Embedding

• CIKM18 | Ripple Net:融合知识图谱的推荐模型

• 跨境电商Etsy如何使用交互行为类型进行可解释推荐

• 搜索推荐中的召回匹配模型综述(一)--传统方法

• 搜索推荐中的召回匹配模型综述(二)--基于表示学习的深度学习方法

• 搜索推荐中的召回匹配模型综述(三)--基于匹配函数学习的深度学习方法

用户画像&特征工程

• ⾼维特征的哈希技巧总结

• SIGIR20 | 超越用户embedding矩阵：用哈希对大型用户建模

• 浅谈电商搜索推荐中ID类特征的统一建模：Hema Embedding解读

• 用户画像必会的行为偏好计算方法

推荐搜索综合

• 万字长文解读电商搜索——如何让你买得又快又好

• 工业界推荐系统实用分析技巧

• KDD20 | 推荐系统论文一览

• 搜索广告之自动化创意

• KDD CUP 2020之Debiasing赛道方案 (Rush)

• 推荐系统研究中常用的评价指标

• 推荐多样性重排算法之MMR

• 推荐系统技术演进趋势：从召回到排序再到重排

• 推荐系统的发展与简单回顾

• 万字长文！推荐系统岗面试经验&学习心得

计算广告

• 计算广告OCPC算法实践(一) 智能出价PID控制中的偏差与响应函数设计

• 《计算广告》学习笔记

• OCPC 广告算法在凤凰新媒体的实践探索

• 计算广告发展历程——从CPC到oCPX

• 百度凤巢新一代广告召回系统——“莫比乌斯”

• 广告出价--如何使用PID控制广告投放成本

• PID控制算法原理（抛弃公式，从本质上真正理解PID控制）

• 广告和推荐排序中消除position bias的方法

• oCPC：计算广告出价策略

• 广告点击率CTR修正-Wilson CTR

大数据

• 实时数据流计算引擎Flink和Spark剖析

• Spark 的一些人生经验

• 大数据kafka理论实操面试题

• Kafka 应用实践与生态集成

• Flink 中文社区年度文章合集

图算法

• 一文直击Graph Embedding图表示学习的原理及应用

• 【GraphEmbedding】DeepWalk算法原理，实现和应用

• 【GraphEmbedding】LINE：算法原理，实现和应用

• 【GraphEmbedding】node2vec：算法原理，实现和应用

• 【GraphEmbedding】GraRep：基于矩阵分解的图表示学习

• 【GraphEmbedding】SDNE算法原理，实现和应用

• 【GraphEmbedding】Struc2Vec算法原理，实现和应用

• 【GNN】一文读懂图卷积GCN

• 【GNN】GCN 算法原理，实现和应用

• 二部图表示学习 | Graph Convolutional Matrix Completion

• node2vec随机游走优化思路和代码实现

• 【斯坦福CS224W 图与机器学习(1-2)】：图模型基本介绍

• 【斯坦福CS224W 图与机器学习 3】：Motifs and Structural Roles

• KDD19 DGL教程：Recommender System with GNN

• 社交图谱的标签传播算法

NLP&CV

• 【论文串讲】从GPT和BERT到XLNet

• Transformer 超详细解读，一图胜千言

• 【经典精读】Transformer模型深度解读

• word2vec模型深度解析

• NLP与推荐系统的比较、联系与未来

• 知识图谱入门系列

• 知识图谱基本概念&工程落地常见问题

• 本科生晋升GM记录 & kaggle比赛进阶技巧分享

• 9102年入门GAN的补习

• 快速掌握TensorFlow中张量运算的广播机制

求职面试

• 你见过最差的算法工程师能差到什么程度？

• 我的求职经验总结

• 求职面试 | 《剑指Offer》Python题解&常考题总结

• 非科班如何拿到外企和国内大厂SSP Offer的？

• 算法工程师当前选哪个方向好？1，CV；2，NLP；3，推荐系统？

• 番外篇——社招如何拿到心仪公司的offer