说明：本仓库主要汇集推荐系统/计算广告/机器学习/CTR预估相关学习资料，欢迎一起补充更新👼
持续更新中……
- Rank1: 借鉴了Facebook的方案: GBDT 特征编码 + FFM
- Rank3: Quadratic Feature Generation + FTRL 传统特征工程和 FTRL 线性模型的结合
- Rank1: Feature Engineering + FFM + Ensemble, 只基于 FFM 进行集成
- Rank2: Feature Engineering + GBDT 特征编码 + FFM + Blending
- Rank1: GBDT，用了嫁接技术处理样本分布不一致
- Rank2: GBDT单模型+大量特征工程
- Rank3: https://github.com/DiligentPanda/Tencent_Ads_Algo_2018
- Rank6: https://github.com/nzc/tencent-contest
筛选文章的标准：前沿或者经典的，工程导向的，google、阿里、facebook等一线互联网公司出品的：
Wide & Deep Learning for Recommender Systems
google 的 wide&deep，必看论文，经典到难以附加
DeepFM: An End-to-End Wide & Deep Learning Framework for CTR Prediction
华为对wide&deep的改进，加了wide层的交叉项。如今工业界的主流模型
Practical lessons from predicting clicks on ads at facebook
facebook GBDT+LR的经典方案。虽然如今已不是主流方案，但论文中的**很值得学习。
Deep Neural Networks for YouTube Recommendations
介绍了Youtube推荐系统工业界架构与方案，经典必看
Real-time Personalization using Embeddings for Search Ranking at Airbnb
KDD2018 best paper，Embedding 必看论文，非常经典
Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate
阿里的多目标学习经典方案，同时优化CTR & CVR
Real-time Personalization using Embeddings for Search Ranking at Airbnb
介绍了 airbnb 搜索排序模型的演进，工业性质很强，值得参考
清华马少平团队的文章点击模型入门必看，搜索引擎点击模型综述