http://www.cnblogs.com/xing901022/p/8398001.htmlhtml
從事推薦系統已經快一年了,遇到過不少的茫然不知所措,也踩過很多坑,索性把全部推薦的資料都彙總一下,但願給新人以指引,或者給老司機做爲概括總結git
若是電子書連接失效,能夠私信我程序員
對於推薦系統是須要一些數學和機器學習的基本功的,假設你歷來沒有接觸過機器學習,能夠按照下面的步驟進行系統的學習:github
學習 高數中的求導、機率論整本書、線性代數矩陣計算相關內容,參考的書就是大學的基礎教材就好了,也能夠閱讀《程序員數學系列》,網上都有pdf版,若是找不到下載,能夠私信我。算法
首先了解邏輯迴歸、K近鄰、K均值、SVM、貝葉斯等算法,必定要深入理解梯度降低。架構
另外須要瞭解基於SVD的協同過濾算法、FPGrowth頻繁相機挖掘。框架
還有各類類似度的計算,經常使用的就是歐氏距離(簡單暴力)、皮爾森(適合評論評分)、傑卡德(適合離散特徵計算)、夾角餘弦(適合數值特徵計算)。機器學習
不推薦一上來就用深度學習搞推薦,不容易理解,也很差結合業務。post
目前深度學習結合推薦的場景不是不少,大多就是全局推薦或者湊單算法:學習
在互聯網的時代,若是什麼東西都本身研究,那真是閉門造車、浪費生命了,在各大互聯網巨頭擁抱開源的時候,每每會公開一些系統設計的資料,咱們也應該好好利用這些資料,站在巨人的肩膀上作事情。
因此,想要本身作推薦系統,最佳的入門辦法就是看看業界是怎麼作的。
做爲新聞客戶端,頭條應該算是推薦的佼佼者了,今日頭條也公開了內部的算法,讓人眼前一亮。
騰訊只是找到了一個簡單的實時推薦的ppt,因爲使用的框架都是本身的,因此參考價值不是很大,這裏不得不吐槽一下,騰訊公開的資料真少...扣(鼻)。
阿里的推薦引擎因爲是對外使用的,因此作的很通用,若是一樣想作這樣一款產品,能夠參考他們的產品設計文檔,從數據底層設計到算法組成,到業務配置都很全面。我是從這裏面學到很多東西,另外沒事多用用淘寶,研究下他們的推薦效果也是很好的學習方式。
名字 | 公衆號 | 說明 |
---|---|---|
Java技術 | ImportNew | Java專業文章 |
優秀論文 | paperweekly | 關於AI人工智能方面 |
圖靈教育 | turingbooks | 關注經典書籍 |
美團技術 | meituantech | 美團點評技術團隊 |
阿里技術 | ali_tech | 國內巨頭啊!怎麼能不關注! |