[推荐系统]推荐系统实践Reference

　这只是一本197页的书
　　
　　我想你未必过瘾
　　
　　但作者附上了诸多好资料
　　
　　无论是paper, blog文章,wikipedia词条，数据集还是开源项目等
　　
　　你可以选择拥有
　　
　　附上我收集的资料链接，格式基本按照‘URL+资料名称+出现在书中的页数’，某些链接可能需要你翻过一道‘墙’,某些重复引用的我就没重复贴上链接了
　　
　　
　　http://en.wikipedia. org/wiki/Information _overload
　　 P1
　　
　　http://www.readwrite web.com/archives/rec ommender_systems.php
　　(A Guide to Recommender System) P4
　　
　　http://en.wikipedia. org/wiki/Cross-selli ng
　　 (Cross Selling) P6
　　
　　http://blog.kiwitobe s.com/?p=58 ， http://stanford2009. wikispaces.com/
　　(课程：Data Mining and E-Business: The Social Data Revolution) P7
　　
　　 http://thesearchstra tegy.com/ebooks/an%2 0introduction%20to%2 0search%20engines%20 and%20web%20navigati on.pdf
　　（An Introduction to Search Engines and Web Navigation） p7
　　
　　http://www.netflixpr ize.com/
　　p8
　　
　　http://cdn-0.nflximg .com/us/pdf/Consumer _Press_Kit.pdf
　　 p9
　　
　　 http://stuyresearch. googlecode.com/hg-hi story/c5aa9d65d48c78 7fd72dcd0ba301693831 2102bd/blake/resourc es/p293-davidson.pdf
　　(The Youtube video recommendation system) p9
　　
　　 http://www.slideshar e.net/plamere/music- recommendation-and-d iscovery
　　( PPT: Music Recommendation and Discovery) p12
　　
　　http://www.facebook. com/instantpersonali zation/
　　P13
　　
　　 http://about.digg.co m/blog/digg-recommen dation-engine-update s
　　 (Digg Recommendation Engine Updates) P16
　　
　　 http://static.google usercontent.com/exte rnal_content/untrust ed_dlcp/research.goo gle.com/en//pubs/arc hive/36955.pdf
　　 (The Learning Behind Gmail Priority Inbox)p17
　　
　　http://www.grouplens .org/papers/pdf/mcne e-chi06-acc.pdf
　　(Accurate is not always good: How Accuracy Metrics have hurt Recommender Systems) P20
　　
　　http://www-users.cs. umn.edu/~mcnee/mcnee -cscw2006.pdf
　　 (Don’t Look Stupid: Avoiding Pitfalls when Recommending Research Papers)P23
　　
　　http://www.sigkdd.or g/explorations/issue s/9-2-2007-12/7-Netf lix-2.pdf
　　 (Major componets of the gravity recommender system) P25
　　
　　http://cacm.acm.org/ blogs/blog-cacm/2292 5-what-is-a-good-rec ommendation-algorith m/fulltext
　　(What is a Good Recomendation Algorithm?) P26
　　
　　http://research.micr osoft.com/pubs/11539 6/evaluationmetrics. tr.pdf
　　 (Evaluation Recommendation Systems) P27
　　
　　http://mtg.upf.edu/s tatic/media/PhD_ocel ma.pdf
　　(Music Recommendation and Discovery in the Long Tail) P29
　　
　　http://ir.ii.uam.es/ divers2011/
　　(Internation Workshop on Novelty and Diversity in Recommender Systems) p29
　　
　　http://www.cs.ucl.ac .uk/fileadmin/UCL-CS /research/Research_N otes/RN_11_21.pdf
　　(Auralist: Introducing Serendipity into Music Recommendation ) P30
　　
　　http://www.springerl ink.com/content/978- 3-540-78196-7/#secti on=239197&page=1 &locus=21
　　(Metrics for evaluating the serendipity of recommendation lists) P30
　　
　　http://dare.uva.nl/d ocument/131544
　　(The effects of transparency on trust in and acceptance of a content-based art recommender) P31
　　
　　http://brettb.net/pr oject/papers/2007%20 Trust-aware%20recomm ender%20systems.pdf
　　 (Trust-aware recommender systems) P31
　　
　　http://recsys.acm.or g/2011/pdfs/RobustTu torial.pdf
　　(Tutorial on robutness of recommender system) P32
　　
　　http://youtube-globa l.blogspot.com/2009/ 09/five-stars-domina te-ratings.html
　　 (Five Stars Dominate Ratings) P37
　　
　　http://www.informati k.uni-freiburg.de/~c ziegler/BX/
　　(Book-Crossing Dataset) P38
　　
　　http://www.dtic.upf. edu/~ocelma/MusicRec ommendationDataset/l astfm-1K.html
　　(Lastfm Dataset) P39
　　
　　http://mmdays.com/20 08/11/22/power_law_1 /
　　（浅谈网络世界的Power Law现象） P39
　　
　　http://www.grouplens .org/node/73/
　　(MovieLens Dataset) P42
　　
　　http://research.micr osoft.com/pubs/69656 /tr-98-12.pdf
　　(Empirical Analysis of Predictive Algorithms for Collaborative Filtering) P49
　　
　　http://vimeo.com/124 2909
　　(Digg Vedio) P50
　　
　　http://glaros.dtc.um n.edu/gkhome/fetch/p apers/itemrsCIKM01.p df
　　 (Evaluation of Item-Based Top-N Recommendation Algorithms) P58
　　
　　http://www.cs.umd.ed u/~samir/498/Amazon- Recommendations.pdf
　　(Amazon.com Recommendations Item-to-Item Collaborative Filtering) P59
　　
　　http://glinden.blogs pot.com/2006/03/earl y-amazon-similaritie s.html
　　 (Greg Linden Blog) P63
　　
　　http://www.hpl.hp.co m/techreports/2008/H PL-2008-48R1.pdf
　　(One-Class Collaborative Filtering) P67
　　
　　http://en.wikipedia. org/wiki/Stochastic_ gradient_descent
　　(Stochastic Gradient Descent) P68
　　
　　http://www.ideal.ece .utexas.edu/seminar/ LatentFactorModels.p df
　　 (Latent Factor Models for Web Recommender Systems) P70
　　
　　http://en.wikipedia. org/wiki/Bipartite_g raph
　　(Bipatite Graph) P73
　　
　　http://ieeexplore.ie ee.org/xpl/login.jsp ?tp=&arnumber=40 72747&url=http%3 A%2F%2Fieeexplore.ie ee.org%2Fxpls%2Fabs_ all.jsp%3Farnumber%3 D4072747
　　(Random-Walk Computation of Similarities between Nodes of a Graph with Application to Collaborative Recommendation) P74
　　
　　http://www-cs-studen ts.stanford.edu/~tah erh/papers/topic-sen sitive-pagerank.pdf
　　(Topic Sensitive Pagerank) P74
　　
　　http://www.stanford. edu/dept/ICME/docs/t hesis/Li-2009.pdf
　　(FAST ALGORITHMS FOR SPARSE MATRIX INVERSE COMPUTATIONS) P77
　　
　　https://www.aaai.org /ojs/index.php/aimag azine/article/view/1 292
　　 (LIFESTYLE FINDER: Intelligent User Profiling Using Large-Scale Demographic Data) P80
　　
　　http://research.yaho o.com/files/wsdm266m -golbandi.pdf
　　( adaptive bootstrapping of recommender systems using decision trees) P87
　　
　　http://en.wikipedia. org/wiki/Vector_spac e_model
　　(Vector Space Model) P90
　　
　　http://tunedit.org/c hallenge/VLNetChalle nge
　　(冷启动问题的比赛) P92
　　
　　http://www.cs.prince ton.edu/~blei/papers /BleiNgJordan2003.pd f
　　 (Latent Dirichlet Allocation) P92
　　
　　http://en.wikipedia. org/wiki/Kullback%E2 %80%93Leibler_diverg ence
　　 (Kullback–Leibler divergence) P93
　　
　　http://www.pandora.c om/about/mgp
　　(About The Music Genome Project) P94
　　
　　http://en.wikipedia. org/wiki/List_of_Mus ic_Genome_Project_at tributes
　　(Pandora Music Genome Project Attributes) P94
　　
　　http://www.jinni.com /movie-genome.html
　　(Jinni Movie Genome) P94
　　
　　http://www.shilad.co m/papers/tagsplanati ons_iui2009.pdf
　　 (Tagsplanations: Explaining Recommendations Using Tags) P96
　　
　　http://en.wikipedia. org/wiki/Tag_(metada ta)
　　(Tag Wikipedia) P96
　　
　　http://www.shilad.co m/shilads_thesis.pdf
　　(Nurturing Tagging Communities) P100
　　
　　http://www.stanford. edu/~morganya/resear ch/chi2007-tagging.p df
　　 (Why We Tag: Motivations for Annotation in Mobile and Online Media ) P100
　　
　　http://www.google.co m/url?sa=t&rct=j &q=delicious%20d ataset%20dai-larbor& amp;source=web&c d=1&ved=0CFIQFjA A&url=http%3A%2F %2Fwww.dai-labor.de% 2Fen%2Fcompetence_ce nters%2Firml%2Fdatas ets%2F&ei=1R4JUK yFOKu0iQfKvazzCQ& ;usg=AFQjCNGuVzzKIKi 3K2YFybxrCNxbtKqS4A& amp;cad=rjt
　　(Delicious Dataset) P101
　　
　　http://research.micr osoft.com/pubs/73692 /yihgoca-www06.pdf
　　 (Finding Advertising Keywords on Web Pages) P118
　　
　　http://www.kde.cs.un i-kassel.de/ws/rsdc0 8/
　　(基于标签的推荐系统比赛) P119
　　
　　http://delab.csd.aut h.gr/papers/recsys.p df
　　（Tag recommendations based on tensor dimensionality reduction）P119
　　
　　http://www.l3s.de/we b/upload/documents/1 /recSys09.pdf
　　(latent dirichlet allocation for tag recommendation) P119
　　
　　http://citeseerx.ist .psu.edu/viewdoc/dow nload?doi=10.1.1.94. 5271&rep=rep1&am p;type=pdf
　　(Folkrank: A ranking algorithm for folksonomies) P119
　　
　　http://www.grouplens .org/system/files/ta gommenders_numbered. pdf
　　 (Tagommenders: Connecting Users to Items through Tags) P119
　　
　　http://www.grouplens .org/system/files/gr oup07-sen.pdf
　　(The Quest for Quality Tags) P120
　　
　　http://2011.camracha llenge.com/
　　(Challenge on Context-aware Movie Recommendation) P123
　　
　　http://bits.blogs.ny times.com/2011/09/07 /the-lifespan-of-a-l ink/
　　(The Lifespan of a link) P125
　　
　　http://www0.cs.ucl.a c.uk/staff/l.capra/p ublications/lathia_s igir10.pdf
　　 (Temporal Diversity in Recommender Systems) P129
　　
　　http://staff.science .uva.nl/~kamps/ireva l/papers/paper_14.pd f
　　 (Evaluating Collaborative Filtering Over Time) P129
　　
　　http://www.google.co m/places/
　　(Hotpot) P139
　　
　　http://www.readwrite web.com/archives/goo gle_launches_recomme ndation_engine_for_p laces.php
　　(Google Launches Hotpot, A Recommendation Engine for Places) P139
　　
　　http://xavier.amatri ain.net/pubs/Geoloca tedRecommendations.p df
　　 (geolocated recommendations) P140
　　
　　http://www.nytimes.c om/interactive/2010/ 01/10/nyregion/20100 110-netflix-map.html
　　(A Peek Into Netflix Queues) P141
　　
　　http://www.cs.umd.ed u/users/meesh/420/ne ighbor.pdf
　　(Distance Browsing in Spatial Databases1) P142
　　
　　http://www.eng.aubur n.edu/~weishinn/pape rs/MDM2010.pdf
　　 (Efﬁcient Evaluation of k-Range Nearest Neighbor Queries in Road Networks) P143
　　
　　
　　http://blog.nielsen. com/nielsenwire/cons umer/global-advertis ing-consumers-trust- real-friends-and-vir tual-strangers-the-m ost/
　　(Global Advertising: Consumers Trust Real Friends and Virtual Strangers the Most) P144
　　
　　http://static.google usercontent.com/exte rnal_content/untrust ed_dlcp/research.goo gle.com/en//pubs/arc hive/36371.pdf
　　(Suggesting Friends Using the Implicit Social Graph) P145
　　
　　http://blog.nielsen. com/nielsenwire/onli ne_mobile/friends-fr enemies-why-we-add-a nd-remove-facebook-f riends/
　　(Friends & Frenemies: Why We Add and Remove Facebook Friends) P147
　　
　　http://snap.stanford .edu/data/
　　(Stanford Large Network Dataset Collection) P149
　　
　　http://www.dai-labor .de/camra2010/
　　(Workshop on Context-awareness in Retrieval and Recommendation) P151
　　
　　http://www.comp.hkbu .edu.hk/~lichen/down load/p245-yuan.pdf
　　 (Factorization vs. Regularization: Fusing Heterogeneous
　　Social Relationships in Top-N Recommendation) P153
　　
　　http://www.infoq.com /news/2009/06/Twitte r-Architecture/
　　(Twitter, an Evolving Architecture) P154
　　
　　http://www.google.co m/url?sa=t&rct=j &q=&esrc=s&a mp;source=web&cd =2&ved=0CGQQFjAB &url=http%3A%2F% 2Fciteseerx.ist.psu. edu%2Fviewdoc%2Fdown load%3Fdoi%3D10.1.1. 165.3679%26rep%3Drep 1%26type%3Dpdf&e i=dIIJUMzEE8WviQf5tN jcCQ&usg=AFQjCNG w2bHXJ6MdYpksL66bhUE 8krS41w&sig2=5Ec EDhRe9S5SQNNojWk7_Q
　　(Recommendations in taste related domains) P155
　　
　　http://www.ercim.eu/ publication/ws-proce edings/DelNoe02/Rash miSinha.pdf
　　(Comparing Recommendations Made by Online Systems and Friends) P155
　　
　　http://techcrunch.co m/2010/04/22/faceboo k-edgerank/
　　(EdgeRank: The Secret Sauce That Makes Facebook's News Feed Tick) P157
　　
　　http://www.grouplens .org/system/files/p2 17-chen.pdf
　　(Speak Little and Well: Recommending Conversations in Online Social Streams) P158
　　
　　http://blog.linkedin .com/2008/04/11/lear n-more-abou-2/
　　(Learn more about “People You May Know”) P160
　　
　　http://domino.watson .ibm.com/cambridge/r esearch.nsf/58bac2a2 a6b05a1285256b30005b 3953/8186a4852682192 4852576b300537839/$FILE/TR%202009.09%20Make%20New%20Frends.pdf
　　(“Make New Friends, but Keep the Old” – Recommending People on Social Networking Sites) P164
　　
　　http://www.google.co m.hk/url?sa=t&rc t=j&q=social+rec ommendation+using+pr ob&source=web&am p;cd=2&ved=0CFcQ FjAB&url=http%3A %2F%2Fciteseerx.ist. psu.edu%2Fviewdoc%2F download%3Fdoi%3D10. 1.1.141.465%26rep%3D rep1%26type%3Dpdf&am p;ei=LY0JUJ7OL9GPiAf e8ZzyCQ&usg=AFQj CNH-xTUWrs9hkxTA8si5 fztAdDAEng
　　(SoRec: Social Recommendation Using Probabilistic Matrix) P165
　　
　　http://olivier.chape lle.cc/pub/DBN_www20 09.pdf
　　(A Dynamic Bayesian Network Click Model for Web Search Ranking) P177
　　
　　http://www.google.co m.hk/url?sa=t&rc t=j&q=online+lea rning+from+click+dat a+spnsored+search&am p;source=web&cd= 1&ved=0CFkQFjAA& amp;url=http%3A%2F%2 Fwww.research.yahoo. net%2Ffiles%2Fp227-c iaramita.pdf&ei= HY8JUJW8CrGuiQfpx-Xy CQ&usg=AFQjCNE_C YbEs8DVo84V-0VXs5Feq aJ5GQ&cad=rjt
　　(Online Learning from Click Data for Sponsored Search) P177
　　
　　http://www.cs.cmu.ed u/~deepay/mywww/pape rs/www08-interaction .pdf
　　(Contextual Advertising by Combining Relevance with Click Feedback) P177
　　http://tech.hulu.com /blog/2011/09/19/rec ommendation-system/
　　(Hulu 推荐系统架构) P178
　　
　　http://mymediaprojec t.codeplex.com/
　　(MyMedia Project) P178
　　
　　http://www.grouplens .org/papers/pdf/www1 0_sarwar.pdf
　　(item-based collaborative filtering recommendation algorithms) P185
　　
　　http://www.stanford. edu/~koutrika/Readin gs/res/Default/bills us98learning.pdf
　　(Learning Collaborative Information Filters) P186
　　
　　http://sifter.org/~s imon/journal/2006121 1.html
　　(Simon Funk Blog:Funk SVD) P187
　　
　　http://courses.ischo ol.berkeley.edu/i290 -dm/s11/SECURE/a1-ko ren.pdf
　　(Factor in the Neighbors: Scalable and Accurate Collaborative Filtering) P190
　　
　　http://nlpr-web.ia.a c.cn/2009papers/gjhy /gh26.pdf
　　(Time-dependent Models in Collaborative Filtering based Recommender System) P193
　　
　　http://sydney.edu.au /engineering/it/~jos iah/lemma/kdd-fp074- koren.pdf
　　(Collaborative filtering with temporal dynamics) P193
　　
　　http://en.wikipedia. org/wiki/Least_squar es
　　(Least Squares Wikipedia) P195
　　
　　http://www.mimuw.edu .pl/~paterek/ap_kdd. pdf
　　(Improving regularized singular value decomposition for collaborative filtering) P195
　　
　　http://public.resear ch.att.com/~volinsky /netflix/kdd08koren. pdf
　　 (Factorization Meets the Neighborhood: a Multifaceted
　　Collaborative Filtering Model) P195

[推荐系统]推荐系统实践Reference相关推荐

神策数据算法专家：推荐系统的实践与思考（下）
本文内容来自神策数据<智能推荐--应用场景与技术难点剖析>闭门会分享内容整理,分享者为神策数据算法专家胡士文,分享主题为<推荐系统的实践与思考>,前面我们介绍了算法和数据部分( ...
神策数据算法专家：推荐系统的实践与思考（上）
本文内容来自神策数据<智能推荐--应用场景与技术难点剖析>闭门会分享内容整理,分享者为神策数据算法专家胡士文,分享主题为<推荐系统的实践与思考>. 大家好,在演讲开始前,我对在 ...
PPT 下载 | 神策数据算法专家：推荐系统的实践与思考（下）
本文内容来自神策数据<智能推荐--应用场景与技术难点剖析>闭门会分享内容整理,分享者为神策数据算法专家胡士文,分享主题为<推荐系统的实践与思考>,前面我们介绍了算法和数据部分( ...
PPT 下载 | 神策数据算法专家：推荐系统的实践与思考（上）
本文内容来自神策数据<智能推荐--应用场景与技术难点剖析>闭门会分享内容整理,分享者为神策数据算法专家胡士文,分享主题为<推荐系统的实践与思考>. 大家好,在演讲开始前,我对在 ...
【云栖直播】精彩推荐第3期：个性化推荐系统搭建实践
热门推荐 (1)即将直播持续集成与交付:分层自动化之UI自动化体系建设直播简介:本系列直播由阿里旗下一站式研发提效平台云效策划推出,主要为大家详细介绍阿里巴巴在持续集成和持续交付的最佳实践. 直 ...
【实践】腾讯PCG推荐系统应用实践（附PPT下载链接）
大家好,今天给大家带来腾讯PCG机器学习部部门技术负责人潘欣在2021年全球机器学习大会上所做的分享<腾讯PCG推荐系统应用实践>,本次分享的PPT共52页,包含如下三大部分: 1.腾讯P ...
【转】推荐系统入门实践：世纪佳缘会员推荐（完整版）
推荐系统入门实践:世纪佳缘会员推荐(完整版) 版本作者联系日期 1.0 周巍然 weiran.chow@gmail.com 20120723 2.0 严程 supersteven198701@ ...
机器学习/推荐系统/推荐系统算法工程师面试指导
面试指导文章目录面试指导 1.机器学习/推荐系统/推荐系统算法工程师面试技能图 2.1 推荐系统算法相关面试笔试题 2.2 机器学习相关问题重点: 2.3 框架方面 2.4 业务流程 3.简历指 ...
数据算法：推荐系统的实践与思考（下）【转】
原文地址:http://www.woshipm.com/data-analysis/2193844.html 推荐系统之在线服务在解决了算法和数据层面的问题之后,我们需要构建一个推荐系统的在线服务, ...

[推荐系统]推荐系统实践Reference

[推荐系统]推荐系统实践Reference相关推荐

最新文章

热门文章