推荐算法入门书籍

本文列出推荐算法入门基础知识。每个知识点都能在网上找到更详细的讲解，适合入门者使用。学习是一个螺旋前进的过程，刚开始对各部分有个大概了解，然后做了一些项目后再回过头来对各个部分做深度理解。

一，基础

（1）大数据

大数据存储3件套：hdfs、hive、hbase
大数据处理：mapreduce，spark

（2）机器学习、深度学习

常用机器学习算法：LR、GBDT（xgboost）、聚类、FM
深度学习模型：DNN（word2vec）、CNN、RNN（LSTM）、Transformer

二，推荐算法

推荐整体流程包含如下3步：召回=》排序=》postrank

（1）召回

召回的作用选取用户可能感兴趣的内容，缩小内容范围，减少进入排序的内容条数。如果内容池整体条数不大（千级规模），可以不用召回，直接内容池全部进入排序。
召回主要分为以下几种类型

• 热门类召回
• cs 类召回： 根据用户各种画像tag召回
• cf协同类召回：itemcf、usercf、item2vec、node2vec、graph embedding
• u2i类召回： 根据user embedding召回相似item embedding，典型如youtubednn

（2）排序

排序包括粗排和精排，粗排是精排的简化版本，对召回数据进一步缩减，减少进入精排的内容条数
常用排序模型 gdbt+LR、deepFM、wide&deep

（3）postrank

postrank对精排后的feed做运营和人工规则的保量与提权
最后做多样性处理，目前常用的多样性算法有mmr和dpp

三，推荐书籍

理论类书籍：《机器学习》西瓜书； 《深度学习》 花书；
工具类书籍：《spark编程基础》 林子雨著， tensorflow cookbook
项目类书籍： 《推荐系统实践》，《深度学习推荐系统》，《百面机器学习》 ，《精通数据科学》