- 首页为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- CS申硕疯子为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- CS求职疯子为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- CS申博疯子为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- CS教职疯子为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- CS游民疯子为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- CS入门疯子为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- CS升职疯子-在整为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- CS回国疯子为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 肖哥极致人生为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 美加身份疯子为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 地球公民疯子为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 网站为啥长这样为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 申硕|求职|身份|人生都疯为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 英语学习疯子为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 美国文化为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 美国生娃为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 美国买房为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 美国省钱|赚钱为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 美国O-1与NIW为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 墨西哥绿卡为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 文章疯了为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
- |
- 网站升级日志为确保后续访问顺畅，点击页面后会先下载约150 MB的图片，因此需加载20-23秒，请耐心等待，辛苦了~（因为图片过多且比较大，所以强烈建议用电脑端访问本网站，而不是手机端访问。）
（六）推荐系统学习路径
（六）推荐系统学习路径
1. 初阶
顺序 | 资源 | 知识分类/使用方法 | 链接和介绍 |
0 | 掌握机器学习和深度学习的基础知识 | 【基础】 | 具体学习路径参考下面链接的“初阶”部分：https://www.xiaogeedu.net/sys-nd/191.html |
1 | "五环"脉络梳理 | 【快速入门】 作为一个前菜入门，讲的挺生动的，也很容易看完 | 想学习推荐系统，如何从小白成为高手? - 石塔西的回答 - 知乎 |
1‘ | 一张二维表格，一个拓扑图，一条时间线 | 【快速入门】 作为一个前菜入门，讲的挺生动的，也很容易看完 | 想学习推荐系统，如何从小白成为高手? - 阿里巴巴大淘宝技术的回答 - 知乎 |
3 | 《推荐系统 Recommender systems: an introduction》by Jannach D, Zanker M, Felfernig A, et al. | 【大局观】【经典算法】 因为这本书年代比较久远，没有涵盖最新的模型和算法，所以就当作打基础的书籍来看 | https://32931414.s21i.faiusr.com/61/ABUIABA9GAAgkb2HuwYo9N3p5gE.pdf 这本书内容覆盖较全面，可以认为是2010年前推荐系统论文的综述集合。理论相对简单，不会有太多难懂的公式。这本书最大的优点是对推荐系统做了一个很好的整理和概括，几乎概括了推荐系统所涉及的每一个模块，为读者上了一堂很好的推荐引擎架构课。看过这本书后，基本上能对推荐系统有一个清晰地理解和相对完整的把控。关于本书，图灵社区曾做过一次访谈：《Dietmar Jannach和Gerhard Friedrich教授谈推荐系统的最新研究方向》（2013年） |
3‘ | （optional）推荐系统公开课——王树森 | 【大局观】 推荐的人没有其他的几本多，但是因为是为数不多的视频资源，所以也放在了这里，喜欢看视频的可以看这个 | https://space.bilibili.com/1369507485/channel/collectiondetail?sid=615109 YTB：https://www.youtube.com/watch?v=5dTOPen28ts&list=PLvOO0btloRntAi-VnV06M1Bu0X1xljUUP |
4 | 《推荐系统实践》by 项亮 Or 《集体智慧编程 Programming collective intelligence: building smart web 2.0 applications》 | 【大局观】【实战】 这两本都是实战类的，可以先简单过一遍，再根据兴趣实现一些基础的算法 | 《推荐系统实践》： https://32931414.s21i.faiusr.com/61/ABUIABA9GAAgkr2HuwYovMLrIQ.pdf 《集体智慧编程》： 中文版： https://32931414.s21i.faiusr.com/61/ABUIABA9GAAgkr2HuwYo0PnHlAE.pdf 英文版： https://32931414.s21i.faiusr.com/61/ABUIABA9GAAgkb2HuwYorIbHWw.pdf 1. 这二者可以先任选一本，花两三天看一遍之后，建立对推荐系统的认识，后续再逐步对各个模块进行深入，比如召回模型、精排模型、混排、样本采样策略等。 2. 通过结合《推荐系统实践》以及《集体智慧编程》等，自己尝试编码实现类似协同过滤，基于内容的推荐中最基本的算法。这样对算法的流程等都会有一定的熟悉。 |
5 | 《深度学习推荐系统》by 王喆 | 【深度学习】 | https://32931414.s21i.faiusr.com/61/ABUIABA9GAAgkr2HuwYoiN23qwc.pdf 这本书介绍了使用深度学习技术来构建推荐系统的方法。它包括基于神经网络的推荐、基于自编码器的推荐、基于图神经网络的推荐等。书中提供了很多的代码和实践案例，并且适合有一定深度学习基础的读者。 == 推荐且只推荐这一本，这本书全部都是重点，前几章的知识点都得会，后面涉及到工程的东西可以先了解即可 |
6 | 模型介绍：AI-RecommenderSystem | 【大局观】 这个repo总结了一些经典算法模型和技术，并尝试用浅显易懂的语言把每个模型或者算法解释清楚。 可以作为查缺补漏用。 | https://github.com/zhongqiangwu960812/AI-RecommenderSystem 此次整理通过CSDN博客+GitHub的形式进行输出， CSDN主要整理算法的原理或者是经典paper的解读， 而GitHub上主要是模型代码复现。 |
2. 中阶
顺序 | 资源 | 知识分类/使用方法 | 链接和介绍 |
1 | 《互联网大厂推荐算法》by 石塔西 | 【应用】【业界最新】 | https://32931414.s21i.faiusr.com/61/ABUIABA9GAAgvr_HuwYouuv-ugU.pdf https://32931414.s21i.faiusr.com/61/ABUIABA9GAAgwL_HuwYopLvozAY.pdf 王喆的《深度学习推荐系统》和石塔西的《互联网大厂推荐算法》，这两本书囊括了推荐系统从实习到秋招的所有问题，基本上所有面试的问题都能在这里面找到答案，值得反复阅读 == 本书所讲的都是各互联网大厂当下主流的推荐算法。本书不会讲述协调过滤、矩阵分解这 类“经典但过时”的算法，尽管它们当下仍可能有用武之地，但绝非互联网大厂的主力算 法，也不是面试时的考察重点。另外，针对一些著名的前沿算法，由于其实现相当复杂， 复现效果也比较有争议，且不是业界主流算法，因此本书也没有在它们身上浪费笔墨。 |
2 | （optional）推荐系统遇上深度学习系列（1～27） | 【深度学习】 推荐的人不多，但是点赞的数目很多，而且整个系列很完整一共有27篇文章 | https://www.jianshu.com/p/152ae633fb00 |
3 | 《推荐系统：技术、评估及高效算法Recommender systems handbook》 | 【查字典用】 | 中文版： https://32931414.s21i.faiusr.com/61/ABUIABA9GAAgwb_HuwYogPLVqAI.pdf 英文版： https://32931414.s21i.faiusr.com/61/ABUIABA9GAAgwL_HuwYogKjfogQ.pdf 这本书被很多人称为“枕边书”。全书共有六百多页，目前已修订至第二版，中文译本也已经发行。对于想把推荐作为研究方向一直做下去的人来说， 这本书必看！这本书以专题的形式，涉及到了推荐系统相关的方方面面。每个专题都会列出专题中涉及到的论文及将来的发展趋势， 具有很好的指导作用，既可作为入门理论导读，又可作为特定问题的资料索引。 |
4 | 《Music recommendation and discovery》by Celma O. | 【应用】【音乐推荐】 | https://32931414.s21i.faiusr.com/61/ABUIABA9GAAgv7_HuwYomIfbsgY.pdf 这本书以音乐推荐为内容，对音乐推荐的需求和问题、常用做法和效果评价做了一个大体的介绍，关于效果评测部分的内容值得细读。 |
5 | 《词义消歧：算法与应用Word sense disambiguation: Algorithms and applications》 | 【关键词推荐】 | https://32931414.s21i.faiusr.com/61/ABUIABA9GAAgwL_HuwYo2o2_vAY.pdf 如果涉及到关键词推荐，或是文本推荐， 则可以查阅该书 |
6 | 工业界应用 | 【应用】 | 下面链接直接拉到“推荐系统工业界应用”这个部分：http://www.semocean.com/%E5%8F%82%E8%80%83%E8%B5%84%E6%96%99/ 有的链接失效了，有的需要用百度网盘 |
7 | 推荐系统项目代码 | 【实战】 | Mrec(Python) Crab(Python) Python-recsys(Python) CofiRank(C++) GraphLab(C++) EasyRec(Java) Lenskit(Java) Mahout(Java) Recommendable(Ruby) |
8 | 数据集推荐 | 【数据集】 | 常用数据集： 1. Amazon： 2. Alibaba： 3. Retail Rocket： 4. Book Crossing： 5. Netflix： 6. Movie Lens： 7. CiaoDVD： 8. Film Trust： 9. Yahoo Music： 10. Amazon Music： 11. LastFM： 12. Million Song Dataset： 13. Steam Video Games： 14. Jester： 15. Chicago Entree： 16. Anime： 17. SNAP： 18. Grouplens： 19. Yahoo Research： 20. LibRec： 另一个数据集汇总： |
9 | FunRec by Datawhale | 【面试】 | 本教程主要是针对具有机器学习基础并想找推荐算法岗位的同学。教程内容由推荐系统概述、推荐算法基础、推荐系统实战和推荐系统面经四个部分组成。本教程对于入门推荐算法的同学来说，可以从推荐算法的基础到实战再到面试，形成一个闭环。 |
3. 高阶
顺序 | 资源 | 知识分类/使用方法 | 链接和介绍 |
1 | 《计算广告》by 刘鹏 | https://32931414.s21i.faiusr.com/61/ABUIABA9GAAgv7_HuwYonP-B5gQ.pdf 广告算法相比推荐算法，涉及到到广告主、用户、平台三方博弈，因此业务上比单纯推荐算法复杂很多。且业务上，各个公司的核心指标和数据很多都是商业机密，比较难找到公开的最新技术细节。所以，想在广告算法领域深入的话，还是要尽可能的去业界大公司广告部门进行实习/工作，在工作的过程中深入学习公司的具体业务和技术文档，才能逐步建立起这个领域的知识面。入门的资料可以看看刘鹏老师的《计算广告》，很经典的书。 关于广告出价的理解，这里推荐其他知友的3篇文章，写得非常好（这里只给链接，侵删）：（1）江申：申探社：深入互联网广告中的出价模式（上）— 基础出价模式 https://zhuanlan.zhihu.com/p/87606755 （2）江申：申探社：深入互联网广告中的出价模式（中） — 智能出价模式 https://zhuanlan.zhihu.com/p/88522899 （3）江申：申探社：深入互联网广告中的出价模式（下） — 联盟，RTB和RTA | |
1‘ | 计算广告学课程 by 刘鹏 | 计算广告学课程： 刘鹏（北冥乘海生）的计算广告学在线课程，网易云课堂上有, 讲的比较全，从计算广告学的发展历史上讲的，偏DSP视角 | |
2 | 看领域内论文 | 【论文】 | 这个repo是更新的比较勤的，但是量很大： https://github.com/hongleizhang/RSPapers 这个知乎链接下面有很多回答，有长有短： https://www.zhihu.com/question/25566638/answer/337012082 在不断跟进推荐系统论文的过程中，你会发现推荐系统会借鉴各个领域的方法， 下面是一些借鉴其他领域方法的一些文章： 《DRN: A Deep Reinforcement Learning Framework for News Recommendation》 《Deep Reinforcement Learning for List-wise Recommendations》 多任务学习 《Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate》 《Why I like it: Multi-task Learning for Recommendation and Explanation》 GAN 《IRGAN: A Minimax Game for Unifying Generative and Discriminative Information Retrieval Models》 《CFGAN: A Generic Collaborative Filtering Framework based on Generative Adversarial Networks》 知识图谱 《DKN: Deep Knowledge-Aware Network for News Recommendation》 《RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems》 《Multi-task Learning for KG enhanced Recommendation》 《Perceive Your Users in Depth: Learning Universal User Representations from Multiple E-commerce Tasks》 Transformer 《Next Item Recommendation with Self-Attention》 《Deep Session Interest Network for Click-Through Rate Prediction》 《Behavior Sequence Transformer for E-commerce Recommendation in Alibaba》 《BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer》 RNN & GNN 《SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS》 《Improved Recurrent Neural Networks for Session-based Recommendations》 《Session-based Recommendation with Graph Neural Networks》 Embedding技巧 《Real-time Personalization using Embeddings for Search Ranking at Airbnb》 《Learning and Transferring IDs Representation in E-commerce》 《Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba》 |
3 | 复现推荐论文开源代码 | 【实战】 | 推荐系统tensorflow实战代码： https://github.com/princewen/tensorflow_practice?tab=readme-ov-file 读论文中你也许会有很多疑惑，如DeepFM这个Embedding如何共享的？DIN里面的Attention如何实现？解决这些疑惑的最好办法我认为不是读论文、百度别人写的博客，最好的方法就是去找开源的代码，试着复现也好，比着代码自己实现一遍也好，对你加深认识都有很大的帮助！ 有一些开源的代码我已经帮大家整理的差不多了，在下面的github中（以后不要再问我数据或者地址的问题了，数据都在github的readme中）：https://github.com/princewen/tensorflow_practice 不管对一篇论文你看懂了还是没看懂也好，都去尝试复现一遍吧，真的很有帮助。 |
4 | 学习数据挖掘 | 【数据挖掘】 | 具体学习路径参考下面链接的“初阶”部分： |
5 | 关注会议，尤其是recsys | 【会议】 | AAAI : The National Conference of the American Association for Artificial Intelligence ACM RecSys : The ACM Conference Series on Recommender Systems ACM SIGKDD : The ACM SIGKDD Conference on Knowledge Discovery and Data Mining ACM SIGIR : The ACM International Conference on Research and Development in Information Retrieval https://link.juejin.cn?target=http%3A%2F%2Flink.zhihu.com%2F%3Ftarget%3Dhttp%253A%2F%2Fsigir.org%2F ACM CIKM : The ACM International Conference on Information and Knowledge Management ICDM : The IEEE International Conference on Data Mining ICML : The International Conference on Machine Learning https://link.juejin.cn?target=http%3A%2F%2Flink.zhihu.com%2F%3Ftarget%3Dhttps%253A%2F%2Ficml.cc%2F IJCAI : The International Joint Conference on Artificial Intelligence NIPS: The Conference on Neural Information Processing Systems https://link.juejin.cn?target=http%3A%2F%2Flink.zhihu.com%2F%3Ftarget%3Dhttp%253A%2F%2Fnips.cc%2F SDM : The SIAM International Conference on Data Mining WSDM : The International Conference on Web Search and Data Mining WWW :The International World Wide Web Conference |
6 | 相关技术博文 | 【博客】 | 1.blog.sciencenet.cn/home.php?mo… 3.zhan.renren.com/recommender… 4.groups.google.com/forum/#!for… |