我的推荐系统入门经验～（文末有福利）-CSDN博客

本文链接：https://blog.csdn.net/weixin_38753230/article/details/100018032

自学推荐系统两年多了，也阅读了一些相关的书籍和论文，但毕竟还没有实际的在公司做过推荐相关项目，所以说跟大佬们相比，还是有很多差距的。不过，在入门推荐的道路上，有一些经验和资料还是可以分享给你的，希望本文能够对你有所帮助。（一定要看到最后哦，三重福利送给你）

1、第一阶段 - 掌握机器学习基础知识，打好基础

学习推荐系统，还是要掌握一定的机器学习知识的，从特征获取、特征处理、特征选择，到基本的机器学习模型如逻辑回归、GBDT等等，都需要你熟练掌握。

其中比较重要的就是特征这块，因为推荐系统中会面临大量的离散特征，对离散特征的处理方式需要有一定的了解。

这里还是推荐李航博士的《统计学习方法第二版》。

然后就是神经网络，推荐系统中神经网络运用非常多，神经网络中基础的如循环神经网络、卷积神经网络，以及一些模型结构的搭建、训练的技巧如Dropout、BN等等也需要有所理解。

这个推荐吴恩达的深度学习课程以及李宏毅老师的深度学习课程。

2、第二阶段 - 阅读推荐系统经典书籍，入门推荐

推荐系统市面上的书不是很多，而且写得往往不够深入，仅能够起到一定的入门作用，毕竟推荐在各个公司还是比较核心的内容，是比较受到保护的。但经典的书籍还是有的，入门的话推荐两本。

一是大家所熟知的《推荐系统实践》，这本的话对于大家了解推荐系统中最基本的算法如协同过滤、推荐系统中常用的评价指标、使用上下文和社交网络进行推荐、如何解决冷启动问题都有一定的帮助。

二是最近市面上新出现的《推荐系统开发实战》一书，虽然这本书我还没有看过，但不少的群友反映这本书对于入门推荐系统来说十分友好。理论和实战相结合，是挺不错的一本“小白实操书”。（小编自费送书一本，参与规则见文末）

640?wx_fmt=png

然后还有的一些书籍如《推荐系统与深度学习》和《推荐系统-技术、评估及高效算法》，大家感兴趣的话也可以进行阅读。

3、第三阶段 - 精读推荐系统经典论文，掌握诀窍

在理解基本的推荐知识之后，你大概会了解到推荐具体是做什么的，那么其问题又可以分成几个方面。如召回、CTR预估、Learning to Rank等等。这个时候我建议的话就是开始阅读经典论文了。下面整理一些我看过的比较经典的论文吧，可能有遗漏，也欢迎大家补充。

FM：《Factorization Machines》FFM：《Field-aware Factorization Machines for CTR Prediction》DeepFM：《DeepFM: A Factorization-Machine based Neural Network for CTR Prediction》Wide & Deep：《Wide & Deep Learning for Recommender Systems》DCN：《Deep & Cross Network for Ad Click Predictions》NFM：《Neural Factorization Machines for Sparse Predictive Analytics》AFM：《Attentional Factorization Machines:GBDT + LR：《Practical Lessons from Predicting Clicks on Ads at Facebook》MLR：《Learning Piece-wise Linear ModelsDIN：《Deep Interest Network for Click-Through Rate Prediction》DIEN：《Deep Interest Evolution Network for Click-Through Rate Prediction》BPR：《BPR: Bayesian Personalized Ranking from Implicit Feedback》Youtube：《Deep Neural Networks for YouTube Recommendations》

当然有些其他的论文也十分经典，咱们放在后面继续讲。

读论文也是需要一定的技巧，不同的人可能关注的点不一样，所以导致阅读重心不一样。对于我来说，我比较关注的点是这个论文要解决什么样的问题，是如何解决的，以及作者从哪几方面出发，使用什么评价指标来评判模型的好坏。至于效果，论文嘛，可信可不信，看看就好了。