推荐系统-资源整理

一、综合性文章

1.推荐算法不够精准？让知识图谱来解决
2.一文读懂推荐系统知识体系（附学习资料)
3.计算广告中常用模型的相关资料整理
4.常见计算广告点击率(CTR)预估算法总结
5.互联网广告综述之点击率特征工程
6.Kaggle实战——点击率预估
7.TensorFlow实战——个性化推荐
8. xDeepFM介绍
9. 常见推荐算法科普
10. 今日头条推荐算法原理全文详解
11. 5类系统推荐算法,非常好使,非常全
12. 深度学习在推荐系统中的应用

二、计算广告CTR预估系列：

计算广告CTR预估系列(一)–DeepFM理论
计算广告CTR预估系列(二)–DeepFM实践
计算广告CTR预估系列(三)–FFM理论与实践
计算广告CTR预估系列(四)–Wide&Deep理论与实践
计算广告CTR预估系列(五)–阿里Deep Interest Network理论
计算广告CTR预估系列(六)–阿里Mixed Logistic Regression
计算广告CTR预估系列(七)–Facebook经典模型LR+GBDT理论与实践
计算广告CTR预估系列(八)–PNN模型理论与实践

三、推荐系统遇上深度学习系列：

推荐系统遇上深度学习(一)–FM模型理论和实践
推荐系统遇上深度学习(二)–FFM模型理论和实践
推荐系统遇上深度学习(三)–DeepFM模型理论和实践
推荐系统遇上深度学习(四)–多值离散特征的embedding解决方案
推荐系统遇上深度学习(五)–Deep&Cross Network模型理论和实践
推荐系统遇上深度学习(六)–PNN模型理论和实践
推荐系统遇上深度学习(七)–NFM模型理论和实践
推荐系统遇上深度学习(八)–AFM模型理论和实践
推荐系统遇上深度学习(十)–GBDT+LR融合方案实战
推荐系统遇上深度学习(十一)–神经协同过滤NCF原理及实战
推荐系统遇上深度学习(十二)–推荐系统中的EE问题及基本Bandit算法
推荐系统遇上深度学习(十四)–《DRN:A Deep Reinforcement Learning Framework for News Recommendation》
推荐系统遇上深度学习(十五)–强化学习在京东推荐中的探索
推荐系统遇上深度学习(十七)–探秘阿里之MLR算法浅析及实现
Deep Learning Meets Recommendation Systems

四、算法详解：

4.1 因子分解机(Factorization Machine-FM)

• FM算法（Factorization Machine)
• 简单易学的机器学习算法——因子分解机(Factorization Machine)

4.2 Field-aware Factorization Machine-FFM

• 并行转换csv文件为libffm格式
• 有关csv格式的数据转换成libsvm格式的数据
• 深入FFM原理与实践
• FM+FFM+libffm+xlearn原理及实战

4.3 DeepFM

• 用Keras实现一个DeepFM
• CTR预估算法之FM, FFM, DeepFM及实践
• FFM及DeepFFM模型在推荐系统的探索

FM总结：

【初学者系列】Factorization Machines 因子分解机详解