推荐系统
wide&deep
《Wide & Deep Learning for Recommender Systems》是Google 2016年发布的推荐框架，wide&deep设计了一种融合浅层（wide）模型和深层（deep）模型进行联合训练的框架，综合利用浅层模型的记忆能力和深层模型的泛化能力，实现单模型对推荐系统准确性和扩展性的兼顾。从推荐效果和服务性能两方面进行评价：效果上，在Google Play 进行线上A/B实验，wide&deep模型相比高度优化的Wide浅层模型，app下载率+3.9%。相比deep模型也有一定提升。性能上，通过切分一次请求需要处理的app 的Batch size为更小的size，并利用多线程并行请求达到提高处理效率的目的。单次响应耗时从31ms下降到14ms。
https://github.com/PaddlePaddle/PaddleRec/tree/master/models/rank/wide_deep
1.看Google如何实现Wide & Deep模型(1)
2.看Google如何实现Wide & Deep模型（2.1）
3.看Google如何实现Wide & Deep模型（2.2）
4.看Google如何实现Wide & Deep模型(3)
5.Wide&Deep模型原理与实现
6.WIDE & DEEP模型的理解及实战(TENSORFLOW)
7.Wide&Deep模型的8个实战细节
8.wide&deep 在贝壳推荐场景的实践
9.WIDE & DEEP模型的理解及实战(TENSORFLOW)
DeepFM
1.推荐算法不可不看的DeepFM模型
2.DeepFM实践
https://github.com/PaddlePaddle/PaddleRec/tree/master/models/rank/deepfm
协同过滤
1.协同过滤推荐算法总结
2.基于协同过滤（CF）算法的推荐系统
3.协同过滤推荐算法（一）原理与实现
4.协同过滤推荐算法总结
din
1.推荐系统中的注意力机制——阿里深度兴趣网络（DIN）
2.推荐系统---深度兴趣网络DIN&DIEN
3.注意力机制在深度推荐算法中的应用之DIN模型
4.捕捉用户兴趣演化--DIEN论文解读
5.基于用户兴趣的商品推荐算法--DIN论文解读
总结类文章
1.推荐算法相关
2.推荐系统遇上深度学习
3.常用召回和排序技术
4.推荐引擎：召回和排序常见算法模型
5.推荐算法总结（召回+排序+工程化）
embedding
1.关于embedding-深度学习基本操作
2.生动详解deepwalk算法（graph embedding）
3.万物皆可Embedding之Deepwalk算法解读
Item2Vec
FM算法
1.FM算法解析
2.FM系列算法解读(FM+FFM+DeepFM)
3.FFM算法原理及Bi-FFM算法实现
4.深入FFM原理与实践
5.FM：推荐算法中的瑞士军刀
用户画像
参考资料：
https://github.com/PaddlePaddle/PaddleRec
https://www.jianshu.com/u/c5df9e229a67