推荐系统干货总结

标签 : RecSys


作者:张小磊
链接:https://zhuanlan.zhihu.com/p/34004488
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

前言

推荐系统是一个相当火热的研究方向,在工业界和学术界都得到了大家的广泛关注。希望通过此文,总结一些关于推荐系统领域相关的会议、知名学者,以及做科研常用的数据集、代码库等,一来算是对自己涉猎推荐系统领域的整理和总结,二来希望能够帮助想入门推荐系统的童鞋们提供一个参考,希望能够尽快上手推荐系统,进而更好更快的深入科研也好、工程也罢。

一、 相关会议

对于推荐系统领域,直接相关的会议不多,但由于推荐系统会涉及到数据挖掘、机器学习等方面的知识,并且推荐系统作为数据挖掘和机器学习的重要应用之一,同时推荐系统往更大的领域靠拢的话也属于人工智能的范畴,因此很多做推荐的学者把目光也瞄向了数据挖掘、机器学习和人工智能方面的会议。所以,如果想关注推荐系统的前沿,我们需要不仅关注推荐系统年会,还需要关注其他与推荐挂钩的会议。

1、与推荐系统直接相关的会议

  • RecSys -The ACM Conference Series on Recommender Systems.

2、数据挖掘相关的会议

  • SIGKDD - The ACM SIGKDD Conference on Knowledge Discovery and Data Mining.
  • WSDM - The International Conference on Web Search and Data Mining.
  • ICDM - The IEEE International Conference on Data Mining.
  • SDM -TheSIAM International Conference on Data Mining.

3、机器学习相关的会议

  • ICML - The International Conference on Machine Learning.
  • NIPS - The Conference on Neural Information Processing Systems

4、信息检索相关的会议

  • SIGIR - The ACM International Conference on Research and Development in Information Retrieval

5、数据库相关的会议

  • CIKM - The ACM International Conference on Information and Knowledge Management.

6、Web相关的会议

  • WWW - The International World Wide Web Conference.

7、人工智能相关的会议

  • AAAI - The National Conference of the American Association for Artificial Intelligence.
  • IJCAI - The International Joint Conference on Artificial Intelligence.

二、相关学者

  • Yehuda Koren

个人主页: Koren's HomePage
主要贡献: Netflix Prize 的冠军队成员,是推荐系统领域的大神级人物,曾就职雅虎,现就职于谷歌.
代表文献: Matrix Factorization Techniques For Recommender Systems.

  • Hao Ma

个人主页: HaoMa's HomePage
主要贡献: 社会化推荐领域的大牛,提出了许多基于社会化推荐的有效算法,现就职于微软
代表文献: SoRec: Social Recommendation Using Probabilistic Matrix Factorization

  • Julian McAuley

个人主页: McAuley
主要贡献: 研究方向为社交网络、数据挖掘、推荐系统,现为加利福尼亚大学圣迭戈分校助理教授
代表文献: Leveraging social connections to improve personalized ranking for collaborative filtering

  • 郭贵冰

个人主页: Guibing Guo's HomePage
主要贡献: 国内推荐系统大牛,创办了推荐系统开源项目LibRec
代表文献: TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings

  • Hao Wang

个人主页: HaoWang's HomePage
主要贡献: 擅长运用深度学习技术提高推荐系统性能
代表文献: Collaborative deep learning for recommender systems

  • 何向南

个人主页: Xiangnan He's Homepage
主要贡献: 运用深度学习技术提高推荐系统性能
代表文献: Neural Collaborative Filtering

  • Robin Burke

个人主页: rburke's HomePage
主要贡献: 混合推荐方向的大牛
代表文献: Hybrid recommender systems: Survey and experiments

  • 项亮

主要贡献: 国内推荐系统领域中理论与实践并重的专家,Netflix Prize第二名
代表文献: 《推荐系统实践》。

  • 赵鑫

个人主页: zhaoxin's HomePage
主要贡献: 国内推荐系统著名学者,侧重利用自然语言处理技术来提升Top-N推荐性能
代表文献: Improving Sequential Recommendation with Knowledge-enhanced Memory Networks

  • 石川

个人主页: shichuan's HomePage
主要贡献: 研究方向为异质信息网络上的推荐,提出了加权的异质信息相似度计算等
代表文献: Semantic Path based Personalized Recommendation on Weighted Heterogeneous Information Networks

三、相关论文

最近和几个同学共同整理了超 100 篇关于推荐系统的一些经典必读论文,包括综述文章、传统经典推荐文章、社会化推荐文章、基于深度学习的推荐系统文章、专门用于解决冷启动问题的文章、POI相关的论文、利用哈希技术来加速推荐的文章以及推荐系统中经典的探索与利用问题的相关文章等。该项目还在持续更新中,欢迎大家star,欢迎大家补充,让我们一起构建一个完整的入门推荐论文清单,让想入门推荐的童鞋们不必再想咱们一样痛苦吧。

项目链接:欢迎关注【机器学习游记】公众号,回复“推荐系统论文”获取最新版完整推荐系统论文列表下载链接。

四、相关书籍

  • 《推荐系统实践》
  • 《Recommender systems handbook》
  • 《推荐系统-Recommender systems:An introduction》
  • 《推荐系统:技术、评估及高效算法》

四、相关课程

  • Recommender Systems Specialization

最近,coursea 上开放了推荐系统专项课程《Recommender Systems Specialization》。

该课程于 2018 年 3 月 26 日开课,这个系列由 4 门子课程和1门毕业项目课程组成,包括推荐系统导论,最近邻协同过滤,推荐系统评价,矩阵分解和高级技术等,感兴趣的同学可以关注。

五、关于数据集

  • 1、MovieLens
    适用于传统的推荐任务,提供了3种不同规模的数据,包含用户对电影的评分信息,用户的人口统计学特征以及电影的描述特征。
  • 2、Filmtrust
    适用于社会化推荐任务,规模较小,包含用户对电影的评分信息,同时包含用户间的信任社交信息。
  • 3、Douban
    适用于社会化推荐任务,规模适中,包含用户对电影的评分信息,同时包含用户间的信任社交信息。
  • 4、Epinions
    适用于社会化推荐任务,规模较大,包含用户对电影的评分信息,同时包含用户间的信任社交信息,值得注意的是,该数据集同时还包括不信任关系信息。
  • 5、Yelp
    几乎适用于所有推荐任务,数据规模大,需要手动提取自己需要的信息,包含评价评分信息,用户信息(注册信息、粉丝数量、朋友信息),商品信息(属性信息、位置信息、图像信息),建议信息等。
  • 6、KB4Rec
    适用于推荐系统与知识图谱相结合的研究需求,该数据集将推荐数据中的物品链接到大型知识图谱中的实体,为推荐系统的物品提供蕴含丰富语义的结构化知识信息。

六、代码与工具

  • 1、LibRec
    java版本开源推荐系统,包含了70多种经典的推荐算法。
  • 2、Surprise
    python版本开源推荐系统,包含了多种经典的推荐算法。
  • 3、LibMF
    c++版本开源推荐系统,主要实现了基于矩阵分解的推荐算法。
  • 4、Neural Collaborative Filtering
  1. 实现神经协同过滤推荐算法。

欢迎关注【机器学习游记】公众号,回复关键字“推荐系统代码”获取更多关于推荐算法开源代码Github下载地址。

未完待续...

注:本人能力有限,以期在总结中提高,思考中进步。如若有识之士欲共谋此事,欢迎补充。

Last modification:September 7th, 2019 at 10:09 pm
如果觉得我的文章对你有用,请随意赞赏