Uncategorized

• BPR- Bayesian Personalized Ranking from Implicit Feedback - 更关注推荐结果的排序好坏，而不是评分预测精度，那么 BPR 模型可能是首选，本篇是出处。 - 2012
• LDA 数学八卦 - 由浅入深地讲解 LDA 原理，对于实际 LDA 工具的使用有非常大的帮助。 - 2013
• Collaborative Recommendations Using Item-to-Item Similarity Mappings - 是的，Amazon 申请了 Item-Based 算法的专利，所以如果在美上市企业，小心用这个算法。 - 1998
• Collaborative Filtering for Implicit Feedback Datasets - 不同于通常矩阵分解处理的都是评分数据这样的显式反馈，本文介绍一种处理点击等隐式反馈数据的矩阵分解模型。 - 2008
• Slope One Predictors for Online Rating-Based Collaborative Filtering - Slope One 算法。 - 2007
• Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model - 把矩阵分解和近邻模型融合在一起。 - 2008
• BPR- Bayesian Personalized Ranking from Implicit Feedback - 更关注推荐结果的排序好坏，而不是评分预测精度，那么 BPR 模型可能是首选，本篇是出处。 - 2012
• Matrix Factorization Techniques For Recommender Systems - 本文是大神 Yehuda Koren 对矩阵分解在推荐系统中的应用做的一个普及性介绍，值得一读。 - 2009
• The BellKor Solution to the Netflix Grand Prize - 也是一篇综述，或者说教程，针对 Netflix Prize 的。 - 2009
• Adaptive Bound Optimization for Online Convex Optimization - FTRL 是 CTR 预估常用的优化算法，本文介绍 FTRL 算法原理。 - 2010
• 在线最优化求解 - %E5%86%AF%E6%89%AC.pdf) - 是对 FTRL 的通俗版解说。 - 2014
• Ad Click Prediction: a View from the Trenches - FTRL 工程实现解读。 - 2013
• Factorization Machines - 提出 FM 模型的论文，FM 用于 CTR 预估。 - 2010
• Field-aware Factorization Machines for CTR Prediction - FFM 模型，用于 CTR 预估。 - 2016
• Practical Lessons from Predicting Clicks on Ads at Facebook - 提出了 LR + GBDT 的 CTR 预估模型。 - 2014
• Deep Neural Networks for YouTube Recommendations - 介绍 YouTube 视频推荐系统在深度神经网络上的尝试。能从中看到 wide&deep 模型的影子。 - 2016
• Overlapping Experiment Infrastructure- More, Better, Faster Experimentation - ABTest 实验平台的扛鼎之作，Google 出品，值得拥有。 - 2010
• 深度学习中不得不学的Graph Embedding方法 - 2019
• 从KDD 2018 Best Paper看Airbnb实时搜索排序中的Embedding技巧 - 2019
• Airbnb如何解决Embedding的数据稀疏问题？ - 2019
• Recommender Systems Handbook(第三章，第九章) - 这本书收录了推荐系统很多经典论文，话题涵盖非常广，第三章专门讲内容推荐的基本原理，第九章是一个具体的基于内容推荐系统的案例。 - 2010
• Wide & Deep Learning for Recommender Systems - 提出融合深度和宽度模型的Wide&Deep 模型，用于 CTR 预估。 - 2016
• EMBEDDING 在大厂推荐场景中的工程化实践 - 2019
• Amazon.com recommendations: item-to-item collaborative filtering - 介绍 Amazon 的推荐系统原理，主要是介绍 Item-Based 协同过滤算法。 - 2001
• Item-Based Collaborative Filtering Recommendation Algorithms - GroupLens 的研究团队对比了不同的 Item-to-Item 的推荐算法。 - 2001
• Matrix Factorization and Collaborative Filtering - 从 PCA 这种传统的数据降维方法讲起，综述了矩阵分解和协同过滤算法。矩阵分解也是一种降维方法。 - 2013
• Detecting Near-Duplicates for Web Crawling - 在这篇论文中提出了 simhash 算法，用于大规模网页去重。 - 2007
• Introduction to Bandits: Algorithms and Theory - 介绍 bandit 算法概念，理论和算法。分两部分分别对应小的选项候选集和大的选项候选集。 - 2011
• Tutorial on Robustness of Recommender Systems - 本文非常详细讨论了对推荐系统的攻击和防护，并有实验模拟。 - 2011
• 万物皆Embedding，从经典的word2vec到深度学习基本操作item2vec - 2019
• Embedding从入门到专家必读的十篇论文 - 2019
• 推荐系统技术演进趋势：从召回到排序再到重排 - 2019
• Bag of Tricks for Efficient Text Classification - Facebook 开源的文本处理工具 fastText 背后原理。可以训练词嵌入向量，文本多分类，效率和线性模型一样，效果和深度学习一样，值得拥有。 - 2016
• 文本上的算法 - 介绍了文本挖掘中常用的算法，及基础概念。内容涉及概率论，信息论，文本分类，聚类，深度学习，推荐系统等。 - 2016
• LDA 数学八卦 - 由浅入深地讲解 LDA 原理，对于实际 LDA 工具的使用有非常大的帮助。 - 2013
• The Learning Behind Gmail Priority - 介绍了一种基于文本和行为给用户建模的思路，是信息流推荐的早期探索，Gmail 智能邮箱背后的原理。 - 2010
• Slope One Predictors for Online Rating-Based Collaborative Filtering - Slope One 算法。 - 2007