算法基礎

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

博客整理

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。