因為找工作需要，在這裡記錄一下學習推薦系統的過程。希望能上岸，上岸後必傾盡所學進行更加細緻全面的分享。
機器學習&深度學習
立根之本，但是略
月度計畫
1月(1.14~)
2月(2.1~)
追蹤閱讀相關**
3月(3.1~)
差缺補漏，特徵工程，通過以往競賽學習 1月
計畫第一周(1.13~19)
特徵分解、pca、svd、《推薦系統實踐》前三章 成果
書籍
經典**
wide & deep：《wide & deep learning for recommender systems》
nfm：《neural factorization machines for sparse predictive analytics》
afm：《attentional factorization machines: learning the weight of feature interactions via attention networks》
gbdt + lr：《practical lessons from predicting clicks on ads at facebook》
mlr：《learning piece-wise linear models
from large scale data for ad click prediction》
din：《deep interest network for click-through rate prediction》
dien：《deep interest evolution network for click-through rate prediction》
bpr：《bpr: bayesian personalized ranking from implicit feedback》
youtube：《deep neural networks for youtube recommendations》
主要關注：**要解決什麼樣的問題，是如何解決的，以及作者從哪幾方面出發，使用什麼評價指標來評判模型的好壞。
讀完這些經典**以後要復現其中的演算法。
github位址
跟進最新**，持續投入興趣研究。
推薦系統01推薦系統入門
這裡給出了三個主要原因 網際網路規模增長迅速，資料量資訊過載，人們很難獲得有效資訊 資料太多了，我看不過來 搜尋引擎的方式只能滿足有確切主題 知道如何描述的資訊，沒有辦法搜尋自己模糊不清的需求 人們需要個性化服務來減少不必要的工作。在這樣的背景下，推薦系統應運而生，推薦系統究竟實現了怎樣的工作，實際...
推薦系統入門介紹
推薦系統 推薦系統是利用電子商務 向客戶提供商品資訊和建議，幫助使用者決定應該購買什麼產品，模擬銷售人員幫助客戶完成購買過程。個性化推薦是根據使用者的興趣特點和購買行為，向使用者推薦使用者感興趣的資訊和商品。隨著電子商務規模的不斷擴大，商品個數和種類快速增長，顧客需要花費大量的時間才能找到自己想買的...
surprise 推薦系統簡單入門
直接pip安裝 pip install scikit surprise 1 使用小例子 print perf evaluate都不能使，查原 換成predictionimpossible from surprise import dataset,prediction algorithms from ...