更新！帶你認識推薦系統(tǒng)全貌的論文清單
推薦系統(tǒng)簡介
隨著大數據時代的飛速發(fā)展，信息逐漸呈現出過載狀態(tài)，推薦系統(tǒng)（又稱為個性化內容分發(fā)）作為近年來實現信息生產者與消費者之間利益均衡化的有效手段之一，越來越發(fā)揮著舉足輕重的作用。再者這是一個張揚個性的時代，人們對于個性化的追求、千人千面的向往愈來愈突出，誰能捕捉住用戶的個性化需求，誰就能在這個時代站住腳跟?，F在人們不再單單依靠隨大流式的熱門推薦，而是基于每個用戶的行為記錄來細粒度的個性化的生成推薦內容。像今日頭條、抖音這樣的APP之所以如此之火，讓人們欲罷不能，無非是抓住了用戶想看什么的心理，那么如何才能抓住用戶的心理，那就需要推薦系統(tǒng)的幫助了。因此在這個張揚個性的時代，無論你是開發(fā)工程師還是產品經理，我們都有必要了解一下個性化推薦的一些經典工作與前沿動態(tài)。
推薦系統(tǒng)清單
https://github.com/hongleizhang/RSPapers
0、點擊率預估（New）
眾所周知，推薦系統(tǒng)的核心分為兩部分，一個是召回，一個是精排。其中的精排其實可以看作是點擊率預估的部分，因此本次更新將CTR Prediction作為一部分加入到RS Papers里邊，希望大家能夠從點擊率預估的角度來對推薦系統(tǒng)有一個全新的認識。
1、經典綜述
2、主流推薦算法
包括了一些經典的協同過濾模型，對于協同過濾模型的一些經典擴展（尤其是矩陣分解模型）以及其他經典方法等。
3、社會化推薦
整理了近年來關于社會化推薦的一系列文章，例如SoRec、SoReg、RSTE、TrustSVD、UniWalk等經典方法。
4、深度學習推薦算法
整理關于利用深度學習技術來構建推薦系統(tǒng)的文章，比如受限的玻爾茲曼機、卷積神經網絡等技術來融合到推薦模塊中。
5、冷啟動問題
專注于解決協同過濾中固有的冷啟動問題，主要是利用除評分信息之外的其他邊信息（社交信息、評論信息等）以及利用映射機制來緩解冷啟動問題。
6、推薦中的哈希問題
隨著用戶、項目規(guī)模的不斷擴大，使得推薦模型的訓練與預測的時間開銷與內存開銷也與日俱增，因此如何壓縮訓練的時間以及空間成為推薦當中的另一經典問題，因此推薦中的哈希也值得我們去認真對待。
7、探索與利用問題
顧明思議，我們在推薦的過程中，既想利用用戶的已知興趣來精確的推薦用戶感興趣的項目（利用），又想給用戶推薦他之前沒遇到過同時用戶很可能感興趣的項目（探索）。眾所周知，當我們相對保守的時候，即只給用戶推薦他一定感興趣的東西時，用戶體驗并不是很好，因為不能給用戶以驚喜度和新鮮感；相反，如果我們只給用戶推薦新奇的、他未見過的項目，這樣很具有冒險精神，但該方案風險較大，不如前者帶來的效益穩(wěn)定。因此如何兼顧兩者的重要程度是業(yè)界比較關注的話題。
注：該項目將持續(xù)更新，歡迎大家star。關注公眾號回復關鍵字【rspapers】獲取打包完整的推薦系統(tǒng)論文pdf全集，盡享論文盛宴。