推荐系统入门介绍（推荐系统包括几个模块）

 

前言推荐系统发展接近30多年了，持续受到学术界和工业界的关注推荐系统的目标是利用用户信息、物品信息和上下文信息，推断出用户的兴趣偏好，进而为用户推荐其感兴趣的物品总体来讲，推荐系统的任务可划分为三种：评分预测任务：预测用户对一些物品的评分，依据的是显示反馈数据，典型的应用场景有Imdb的电影评分预测和豆瓣音乐上的乐评等。

top-N预测任务：为用户推荐一个排序好的物品列表，依据的是隐式反馈数据，典型的应用场景有京东的物品推荐、美团上的店铺推荐等点击预测任务：旨在预测某一物品被点击的可能性，典型的应用场景有公众微信号的文章推荐和微信读书的书籍推荐等。

本文为推荐系统的初学者(包含即将进入科研的同学和转行的初级推荐算法工程师)提供一些入门资料本文按照以下目录进行介绍1.入门书籍2.学术会议3.领域学者4.推荐代码库5.推荐数据集6.经典论文1.入门书籍。

（1）中文书籍推荐项亮的《推荐系统实战》-2012年出版

《推荐系统实战》是入门推荐系统的中文书籍首选，这本书也是国内最早的关于推荐系统的中文书籍作者是中科院自动化所项亮博士，发表过多篇推荐相关论文该书内容以推荐系统中所利用的数据集形式划分，包含用户行为数据、用户标签数据、上下文信息和社交网络数据等。

内容简单，有代码示例，是一本对推荐系统发展前20年中的典型方法的总结王喆的《深度学习推荐系统》-2020年出版

《深度学习推荐系统》是推荐给大家的第二本中文书籍相对于《推荐系统实战》，这本书更加接触工业界，当然其也是由在工业界摸爬滚打多年的王喆亲身分享这本书可以认为是对近10年推荐系统的发展做了总结，尤其是基于深度学习的推荐算法。

从2015年的第一篇结合深度学习的推荐算法AutoRec到现在的DFN，深度学习推荐算法百花齐放，看这本书可以理清一个大概郭贵冰的《推荐系统进展：方法与技术》-2019年出版

《推荐系统进展：方法与技术》是由东北大学郭贵冰教授所写，作者在学术界耕耘了多篇顶级会议和期刊所以此书是值得很多即将做科研的学生入手的该书梳理了推荐算法的基础知识和所面临的挑战，特别是数据稀疏和冷启动此外，这本书还介绍了由作者本人开源的集成了80多种推荐算法的Java库LibRec。

诸葛越的《百面机器学习》-2018年出版

《百面机器学习》是由全球知名视频网站Hulu的北京创新实验室里多人合著而成此书不仅囊括了机器学习的基本知识 ，而且还包含了成为出众算法工程师的相关技能，可作为一本工具书用于查漏补缺值得推荐上面几本书作为入门推荐系统足矣，其他中文书籍不值得推荐。

英文书籍推荐Francesco Ricci的《Recommender systems handbook》-2010年出版

《Recommender systems handbook》是比较经典的推荐系统读物，这本书也已经被翻译成中文版书籍了，《推荐系统 技术、评估及高效算法》该书内容很全面，也很系统，讲的非常细致不过也很枯燥。

Charu C. Aggarwal的《Recommender systems ：The Textbook》-2016年出版

《Recommender systems ：The Textbook》是推荐算法的圣经，不可多得的一本经典书籍其内容丰富全面，基本触及了推荐算法的方方面面但此书没有译文，因此需要深究原文Dietmar Jannach的《Recommender systems:An introduction》-2011年出版。

《Recommender systems:An introduction》也已被翻译成中文书籍出版了，《推荐系统》这本书300多页，因此内容不会太多，相对来说比较基础但由于出版较早，有些内容也已经过时了。

Deepak K. Agarwal的《Statistical Methods for Recommender Systems》-2016年出版

《Statistical Methods for Recommender Systems》也有对应的中文版《统计推荐系统》书中对推荐系统进行了全面讨论，特别是面向日益突显的多反馈和多目标优化问题，深入分析了当前先进的统计方法，如自适应序贯设计（多臂赌博机方法）、双线性随机效应模型（矩阵分解）以及基于MapReduce分布式框架的可伸缩模型，为热门推荐和个性化推荐提供了实用的解决方案。

2.学术会议推荐系统相关的国际会议有：RecSys：ACM Conference on Recommender Systems.SIGIRSIGIR (CCF-A)：is the Association for Computing Machinery’s Special Interest Group on Information Retrieval.

AAAI(CCF-A)：AAAI Conference on Artificial Intelligence.IJCAI (CCF-A)：International Joint Conference on Artificial Intelligence.

SIGKDD (CCF-A)：SIGKDD is a conference on Knowledge Discovery and Data Mining.WWW (CCF-A)：International Conference WWW/Internet.

ICDE (CCF-A)：International Conference on Data Engineering.WSDM (CCF-B)：International Conference on Web Search and Data Mining.

SDM (CCF-B)：SIAM International Conference on Data Mining.CIKM (CCF-B)：ACM International Conference on Information and Knowledge Management.

DASFAA (CCF-B)：International Conference on Database Systems for Advanced Applications.ICDM (CCF-B)：International Conference on Data Mining.

UAI (CCF-B)：Conference on Uncertainty in Artificial Intelligence.IUI (CCF-B)：International Conference on Intelligent User Interfaces.

推荐系统相关的国际期刊有：TKDE (CCF-A)：IEEE Transactions on Knowledge and Data Engineering.TOIS (CCF-A)：ACM Transactions on Information Systems.

TKDD (CCF-B)：ACM Transactions on Knowledge Discovery from Data.3.领域学者推荐系统领域的国外学者：Chi-Yin Chow：City University of Hong Kong ,homepage：https://www.cs.cityu.edu.hk/~chiychow/index.htm. Research interests: Big Data Analytics, Urban Computing, Machine Learning, Databases, Spatial and Spatio-temporal Databases, Location-based Services, Wireless Sensor Networks, Mobile Peer-to-Peer Computing, and Location Privacy.

DIngqi Yang：University of Fribourg, homepage：https://sites.google.com/site/yangdingqi/home. His research interests lie primarily on Ubiquitous Big Data Analytics, Social Network Analysis, Predictive Modelling, Data Sketching, and Data Privacy.

Hongzhi Yin：The University of Queensland, Australia, homepage：http://net.pku.edu.cn/daim/hongzhi.yin/. His current main research interests include recommender system, social media analytics and mining, network embedding and mining, time series data and sequence data mining and learning, chatbots, federated learning, topic models, deep learning and smart transportation.

Xiaofang Zhou：The University of Queensland, Australia, homepage：http://staff.itee.uq.edu.au/zxf/index.html. His research focus is to find effective and efficient solutions for managing, integrating, and analyzing large-scale complex data for business, scientific and personal applications. He has been working in the area of spatiotemporal and multimedia databases, data mining, data quality management, high-performance query processing, big data analytics, and machine learning.

推荐系统领域的国内学者：何向南教授：中国科学技术大学，个人主页：http://staff.ustc.edu.cn/~hexn/. 致力于信息检索、数据挖掘和机器学习等人工智能领域前沿研究，并取得丰硕的研究成果。

已发表CCF A类论文70余篇，包括国际顶级会议SIGIR、 WWW、KDD、MM，和ACM/IEEE顶级期刊TKDE、TOIS等，谷歌学术引用次数3000余次石川教授：北京邮电大学，个人主页：http://www.shichuan.org/ShiChuan_ch.html. 主要研究方向: 数据挖掘、机器学习、人工智能和大数据分析。

张敏副教授，清华大学，个人主页：http://www.thuir.cn/group/~mzhang/. 研究领域：信息检索、机器学习、网络用户行为分析谢幸研究员：微软亚洲研究院，个人主页：https://www.microsoft.com/en-us/research/people/xingx/. 研究方向为数据挖掘、社会计算和普适计算等领域。

郭贵冰教授，东北大学，个人主页：https://guoguibing.github.io/cn/. 研究兴趣包括 推荐系统、智能问答、自然语言处理、数据挖掘在相关研究领域已发表60余篇国际学术会议和期刊文章，Google学术H-index：19，总引用：1700 (Google学术页面)。

出版了一部学术专著：《推荐系统进展：方法与技术》4.推荐代码库国内外优秀的开源推荐库：LibRec：是一个领先的基于Java放入推荐系统开源算法库，它覆盖了70余个各类型的推荐算法，有效地解决了评分预测和物品推荐两大关键的推荐问题。

libFM：是一个基于C++实现的因子分解机库DeepCTR：是一个基于python实现的包含19种CTR预估模型5.推荐数据集公开的关于推荐系统的数据集有：MovieLens是电影评分的集合Book-Crossing是图书评分数据集。

Amazon product是电子商务产品数据集Last.fm是提供音乐推荐的数据集Jester是笑话评分数据集Yahoo Music是一个音乐数据集Chicago Entree是一个兴趣点数据集Facebook是一个社交网络数据集。

Gowalla是一个基于位置社交网络数据集6.经典论文Paul Resnick. GroupLens an open architecture for collaborative filtering of netnews, 1994.。

Badrul Munir Sarwar. Item-based collaborative filtering recommendation algorithms, 2001.Gediminas Adomavicius. Toward the next generation of recommender systems a survey of the state-of-the-art and possible extensions, 2005.

Yehuda Koren. Matrix Factorization Techniques for Recommender Systems, 2009.