推荐系统（Recommender System）是机器学习应用较为成熟的方向之一，在工业界中，推荐系统也是大数据领域成功的应用之一。在推荐系统中，涉及到大量的算法以及大数据的技术和方法，以下总结和整理对构建一个完整的推荐系统有用的一些材料。
如果你对这部分的内容感兴趣，欢迎加群一起探讨。
(以下内容会持续更新)
-
2005年的state-of-the-art的推荐综述，按照content-based, CF, Hybrid的分类方法进行组织，并介绍了推荐引擎设计时需要关注的特性指标，内容非常全。
-
[2010]. The YouTube video recommendation system
2010年的YouTube的推荐系统的文章，文章中还没有涉及到高大上的算法，但是在文章中，值得我们借鉴的是对推荐系统的理解，包括产品的理念，数据的处理，系统的设计，是一篇值得学习的实践性的文章，建议认真研读。
-
介绍在Netflix中的推荐系统的技术架构，对于构建工业级的推荐系统具有很重要的意义。
-
[2017]. Deep Learning based Recommender System : A Survey and New Perspectives
-
[2017]. Use of Deep Learning in Modern Recommendation System : A Summary of Recent Works
-
[2000]. Application of Dimensionality Reduction in Recommender System -- A Case Study
-
[2003]. Amazon.com recommendations:Item-to-item collaborative filtering
经典的亚马逊item-based算法的文章。 -
[2005]. A survey of collaborative filtering techniques
有关协同过滤的一篇综述，介绍了CF算法，所面临的一些挑战以及解决的方案，详细介绍了三种类型的CF算法：memory_based,model_based和hybrid，涉及到的问题以及解决方法在现今依旧值得借鉴。 -
[2009]. Matrix factorization techniques for recommender systems
-
[2010]. Factor in the neighbors : Scalable and accurate collaborative filtering
-
[2017]. Two Decades of Recommender Systems at Amazon.com
介绍在Amazon.com中使用的item-based collaborative filtering（基于项的协同过滤）算法的具体过程。 -
深入推荐引擎相关算法 - 协同过滤
详细介绍协同过滤算法（包括基于用户的协同过滤算法和基于项的协同过滤算法）的技术细节。
-
[2010]. Factorization Machines
-
[2010]. Fast Context-aware Recommendations with Factorization Machines
-
[2007]. Restricted Boltzmann Machines for Collaborative Filtering
-
[2013——召回]. Learning deep structured semantic models for web search using clickthrough data
本文提出了DSSM模型，在原始论文中，最初是用于在搜索中计算用于是否点击的，现通常被应用在推荐中的召回阶段。
-
[2015]. A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems
-
[2015]. AutoRec : Autoencoders Meet Collaborative Filtering
利用AutoEncoder模型学习User的隐向量矩阵U与Item的隐向量矩阵V
-
[2016]. Collaborative Denoising Auto-Encoders for Top-N Recommender Systems
-
[2016]. Item2vec : Neural Item Embedding for Collaborative Filtering
-
[2016]. Session-based recommendations with recurrent neural networks
提出了利用RNN建模一个用户session间的点击序列，该方法完全利用用户在当前session里的反馈去做推荐，相比原依赖用户历史记录的推荐能在解决冷启动问题上更为简洁有效。 -
[2016]. Personal Recommendation Using Deep Recurrent Neural Networks in NetEase
-
[2016]. Product-Based Neural Networks for User Response Prediction
-
[2017]. DeepFM : A Factorization-Machine based Neural Network for CTR Prediction
-
[2017]. Embedding-based News Recommendation for Millions of Users
-
[2017]. Deep Interest Network for Click-Through Rate Prediction
-
[2014——文本分类]. Convolutional Neural Networks for Sentence Classification
提出利用CNN模型解决文本分类的问题。