7emsp;本文综合整理了一些关于推荐算法的资料，资料来源注明在文章尾。

• Books：

1.《推荐系统实践》项亮
  入门级教材，很薄，可以很快就看完，把很多基础而简单的问题讲的很详细。总体来说，此书性价比很高，值得入手一本研读
我买书喜欢上亚马逊, 因为亚马逊上很多都可以试读，这本书亚马逊就提供了试读，推荐大家先去试读下，再决定有没有购买价值。

2.《Recommender Systems Handbook》Paul B. Kantor
  有这本书就不用其它的了，很细很全，就是英文原版的有点小贵，真有志于做推荐系统的才去买吧，用到哪就翻书查。按人家的说法，所有敢自称handbook的书都是神书，没看过这本书出去吹牛逼时你都不好意思说自己是做推荐的。

3. Programming collective intelligence: building smart web 2.0 applications[M]
  寓教于乐的一本入门教材，附有可以直接动手实践的toy级别代码

4. Jannach D, Zanker M, Felfernig A, et al. Recommender systems: an introduction[M]. Cambridge University Press, 2010
  可以认为是2010年前推荐系统论文的综述集合

5. Celma O. Music recommendation and discovery[M]. Springer, 2010
  主要内容集中在音乐推荐，领域非常专注于音乐推荐，包括选取的特征，评测时如何考虑音乐因素。

6. Word sense disambiguation: Algorithms and applications[M]. Springer Science+ Business Media,2006
  如果涉及到关键词推荐，或是文本推荐， 则可以查阅该书。

• Conference & Journal:

• the ACM Conference on Recommender Systems,Recsys
   链接：https://recsys.acm.org/
• KDD
   链接：http://www.kdd.org/
• Special Interest Group on Information Retrieval,SIGIR
   链接：http://sigir.org/

• Papers：

综述类:

1. 2002 – Hybrid Recommender Systems: Survey and Experiments
2. 2005 – Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions。最经典的推荐算法综述
3. 2009 – 个性化推荐系统的研究进展.周涛等
4. 2011 – Collaborative Filtering Recommender Systems. JB Schafer 关于协同过滤最经典的综述
5. 2012 – 项亮的博士论文《动态推荐系统关键技术研究》
6. 2012 – Recommender systems L Lü, M Medo, CH Yeung, YC Zhang, ZK Zhang, T Zhou Physics Reports 519 (1), 1-49 （https://arxiv.org/abs/1202.1112）
7. 2017-基于深度学习的推荐系统_黄立威

协同过滤：

1.matrix factorization techniques for recommender systems. Y Koren
2.Using collaborative filtering to weave an information Tapestry. David Goldberg （协同过滤第一次被提出）
3.Item-Based Collaborative Filtering Recommendation Algorithms. Badrul Sarwar , George Karypis, Joseph Konstan .etl
4.Application of Dimensionality Reduction in Recommender System — A Case Study. Badrul M. Sarwar, George Karypis, Joseph A. Konstan etl
5.Probabilistic Memory-Based Collaborative Filtering. Kai Yu, Anton Schwaighofer, Volker Tresp, Xiaowei Xu,and Hans-Peter Kriegel
6.Recommendation systems:a probabilistic analysis. Ravi Kumar Prabhakar Raghavan.etl
7.Amazon.com recommendations: item-to-item collaborative filtering. Greg Linden, Brent Smith, and Jeremy York
8.Evaluation of Item-Based Top- N Recommendation Algorithms. George Karypis
9.Probabilistic Matrix Factorization. Ruslan Salakhutdinov
10.Tensor Decompositions,Alternating Least Squares and other Tales. Pierre Comon, Xavier Luciani, André De Almeida

基于内容的推荐：

1.Content-Based Recommendation Systems. Michael J. Pazzani and Daniel Billsus

基于标签的推荐：

1.Tag-Aware Recommender Systems: A State-of-the-Art Survey. Zi-Ke Zhang(张子柯), Tao Zhou(周 涛), and Yi-Cheng Zhang(张翼成)

推荐评估指标：

1、推荐系统评价指标综述. 朱郁筱，吕琳媛
2、Accurate is not always good：How Accuacy Metrics have hurt Recommender Systems
3、Evaluating Recommendation Systems. Guy Shani and Asela Gunawardana
4、Evaluating Collaborative Filtering Recommender Systems. JL Herlocker

推荐多样性和新颖性：

1. Improving recommendation lists through topic diversification. Cai-Nicolas Ziegler
   Sean M. McNee, Joseph A.Konstan,Georg Lausen
2. Fusion-based Recommender System for Improving Serendipity
3. Maximizing Aggregate Recommendation Diversity：A Graph-Theoretic Approach
4. The Oblivion Problem：Exploiting forgotten items to improve Recommendation diversity
5. A Framework for Recommending Collections
6. Improving Recommendation Diversity. Keith Bradley and Barry Smyth

推荐系统中的隐私性保护：

1.Collaborative Filtering with Privacy. John Canny
2.Do You Trust Your Recommendations? An Exploration Of Security and Privacy Issues in Recommender Systems. Shyong K “Tony” Lam, Dan Frankowski, and John Ried.
3.Privacy-Enhanced Personalization. Alfred Kobsa.etl
4.Differentially Private Recommender Systems：Building Privacy into the
Netflix Prize Contenders. Frank McSherry and Ilya Mironov Microsoft Research,
Silicon Valley Campus
5.When being Weak is Brave: Privacy Issues in Recommender Systems. Naren Ramakrishnan, Benjamin J. Keller,and Batul J. Mirza

推荐冷启动问题：

1.Tied Boltzmann Machines for Cold Start Recommendations. Asela Gunawardana.etl
2.Pairwise Preference Regression for Cold-start Recommendation. Seung-Taek Park, Wei Chu
3.Addressing Cold-Start Problem in Recommendation Systems. Xuan Nhat Lam.etl
4.Methods and Metrics for Cold-Start Recommendations. Andrew I. Schein, Alexandrin P opescul, Lyle H. U ngar

bandit(老虎机算法,可缓解冷启动问题):

1.Bandits and Recommender Systems. Jeremie Mary, Romaric Gaudel, Philippe Preux
2.Multi-Armed Bandit Algorithms and Empirical Evaluation
基于社交网络的推荐：

1. Social Recommender Systems. Ido Guy and David Carmel
2. A Social Networ k-Based Recommender System(SNRS). Jianming He and Wesley W. Chu
3. Measurement and Analysis of Online Social Networks.
4. Referral Web：combining social networks and collaborative filtering
   基于知识的推荐：
   1.Knowledge-based recommender systems. Robin Burke
   2.Case-Based Recommendation. Barry Smyth
   3.Constraint-based Recommender Systems: Technologies and Research Issues. A. Felfernig. R. Burke
   其他：
   Trust-aware Recommender Systems. Paolo Massa and Paolo Avesani
   推荐几篇对工业界比较有影响的论文吧：
5. The Wisdom of The Few 豆瓣阿稳在介绍豆瓣猜的时候极力推荐过这篇论文，豆瓣猜也充分应用了这篇论文中提出的算法；
6. Restricted Boltzmann Machines for Collaborative Filtering 目前Netflix使用的要推荐算法之一；
7. Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model 这个无需强调重要性，LFM几乎应用到了每一个商业推荐系统中；
8. Collaborative Filtering with Temporal Dynamics 加入时间因素的SVD++模型，曾在Netflix Prize中大放溢彩的算法模型；
9. Context-Aware Recommender Systems 基于上下文的推荐模型，现在不论是工业界还是学术界都非常火的一个topic；
10. Toward the next generation of recommender systems 对下一代推荐系统的一个综述；
11. Item-Based Collaborative Filtering Recommendation Algorithms 基于物品的协同过滤，Amazon等电商网站的主力模型算法之一；
12. Information Seeking-Convergence of Search, Recommendations and Advertising 搜索、推荐和广告的大融合也是未来推荐系统的发展趋势之一；
13. Ad Click Prediction: a View from the Trenches 可以对推荐结果做CTR预测排序；
14. Performance of Recommender Algorithm on top-n Recommendation Task TopN预测的一个综合评测，TopN现在是推荐系统的主流话题，可以全部实现这篇文章中提到的算法大概对TopN有个体会；
15. http://dsec.pku.edu.cn/~jinlong/publication/wjlthesis.pdf 北大一博士对Netflix Prize算法的研究做的毕业论文，这篇论文本身对业界影响不大，但是Netflix Prize中运用到的算法极大地推动了推荐系统的发展；
    通过这些论文可以对推荐系统有个总体上的全面认识，并且能够了解一些推荐系统的发展趋势。剩下的就是多实践了。

推荐两篇必看（最好能自己实现）论文， 其他的论文其实都是在这基础上build起来的。
http://Amazon.com Recommendations Item-to-Item Collaborative Filtering
http://www.cin.ufpe.br/~idal/rs/Amazon-Recommendations.pdf

MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS
https://datajobs.com/data-science-repo/Recommender-Systems-%5BNetflix%5D.pdf
推荐两篇必看（最好能自己实现）论文， 其他的论文其实都是在这基础上build起来的。
http://Amazon.com Recommendations Item-to-Item Collaborative Filtering
http://www.cin.ufpe.br/~idal/rs/Amazon-Recommendations.pdf

MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS
https://datajobs.com/data-science-repo/Recommender-Systems-%5BNetflix%5D.pdf

• Articles：

基于用户投票的排名算法（一）：Delicious和Hacker News http://www.ruanyifeng.com/blog/2012/02/ranking_algorithm_hacker_news.html

youtube的推荐算法经历过好几次大的改动，都有论文发表的：https://www.zhihu.com/question/20829671

Netflix推荐算法，让每个人看到不一样的电影海报：https://juejin.im/post/5a2e71e351882575d42f5651

淘宝网的推荐算法：https://www.zhihu.com/question/29108284

• Website：

• leetcode，最近很火的算法网站：https://leetcode.com/

• Blog:

• 一些数据挖掘与分析文章的翻译(https://github.com/ictar/python-doc/tree/master/Science%20and%20Data%20Analysis)
• Recommending music on Spotify with deep learning
• BreezeDeus
• 饿了么推荐系统：从0到1 – 极客头条 – CSDN.NET
  https://github.com/ictar/python-doc/tree/master/Science%20and%20Data%20Analysis

• Recommendation Engines Seminar Paper, Thomas Hess, 2009: 推荐引擎的总结性文章，Thomas 给出推荐引擎的模型，各种推荐机制的工作原理，并分析了推荐引擎面临的众多问题。
• Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions, Adomavicius, G.; Tuzhilin, A., 2005：2005 年的论文，对现今流行的推荐技术进行总结，深入具体的实现技术方法，同时也提出了对下一代推荐引擎的展望。
• A Taxonomy of RecommenderAgents on the Internet, Montaner, M.; Lopez, B.; de la Rosa, J. L., 2003, 对互联网上推荐引擎进行总结，给出的不同推荐方法的分类和特点，帮助读者对推荐引擎有全面的认识。
• Amazon: www.amazon.com：推荐技术的先驱，Amazon 在 B2C 领域的推荐技术值得大家参考。
• 豆瓣：www.douban.com：作为国内社交网络的先驱，豆瓣在推荐技术上也处于领先的位置，同时对于不同内容的推荐策略有深入的研究。
• 个性化推荐技术漫谈：对个性化推荐技术的基本原理进行简要介绍，提出了作者对优秀的个性化推荐的多角度认识
• Google Recommender System Group：推荐系统的 Google 讨论组，有很多关于推荐引擎的有趣讨论
• Recommender System Algorithms：关于推荐引擎算法的资源
• Design of Recommender System：关于推荐引擎的设计方法的介绍
• How to build a recommender system：这个演示给出了如何构建一个推荐引擎，并结合例子详细介绍了基于协同过滤的推荐策略。

• Lecture:

• 【直播回顾】21天搭建推荐系统：实现“千人千面”个性化推荐（含视频）-博客-云栖社区-阿里云

• Code：

• 不到100行代码实现一个简单的推荐系统

• 利用Python实现基于协同过滤算法的影片推荐

• 使用Spark MLlib给豆瓣用户推荐电影

• Python中一个简单的基于内容的推荐引擎

• https://github.com/MashiMaroLjc/ML-and-DM-in-action
  https://github.com/laozhaokun/movie_recommender

• 利用Python实现基于协同过滤算法的影片推荐

• 推荐算法库：

SvdFeature
LibFM
Mahout
MLib

reference:

• https://www.zhihu.com/question/21251105/answer/21094996
• https://www.zhihu.com/question/25566638/answer/337012082
• https://www.zhihu.com/question/25566638/answer/37455091