推荐系统从搜索引擎借鉴了不少技术和思想，比如内容推荐有不少技术就来自搜索引擎， 由 Amazon 发扬光大的，基于用户（ User-based ）和基于物品（ Item-based ）的协同过滤将推荐系统技术从内容延伸到协同关系，超越了内容本身。
目录
- 开篇词 | 用知识去对抗技术不平等
- 【概念篇】个性化推荐系统那些绕不开的经典问题
- 【概念篇】你真的需要个性化推荐系统吗?
- 【概念篇】这些你必须应该具备的思维模式
- 【MAB 问题】如何将 Bandit 算法与协同过滤结合使用
- 【MAB 问题】简单却有效的 Bandit 算法
- 【MAB 问题】结合上下文信息的 Bandit 算法
- 【其他应用算法】实用的加权采样算法
- 【其他应用算法】推荐候选池的去重策略
- 【其他应用算法】构建一个科学的排行榜体系
- 【内容推荐】从文本到用户画像有多远
- 【内容推荐】画鬼容易画人难：用户画像的 能 和 不能
- 【内容推荐】超越标签的内容推荐系统
- 【模型融合】一网打尽协同过滤、矩阵分解和线性模型
- 【模型融合】深度和宽度兼具的融合模型 Wide and Deep
- 【模型融合】经典模型融合办法：线性模型和树模型的组合拳
- 【深度学习】深度学习在推荐系统中的应用有哪些?
- 【深度学习】用 RNN 构建个性化音乐播单
- 【矩阵分解】Facebook 是怎么为十亿人互相推荐好友的
- 【矩阵分解】如果关注排序效果，那么这个模型可以帮到你
- 【矩阵分解】那些在 Netflix Prize 中大放异彩的推荐算法
- 【近邻推荐】人以群分，你是什么人就看到什么世界
- 【近邻推荐】协同过滤中的相似度计算方法有哪些
- 【近邻推荐】解密 看了又看 和 买了又买
- 【关键模块】 推荐系统服务化、存储选型及 API 设计
- 【关键模块】巧妇难为无米之炊：数据采集关键要素
- 【关键模块】让你的推荐系统反应更快：实时推荐
- 【关键模块】让数据驱动落地，你需要一个实验平台
- 【常见架构】Netflix 个性化推荐架构
- 【常见架构】典型的信息流架构是什么样的
- 【常见架构】总览推荐架构和搜索、广告的关系
- 【开源工具】和推荐系统有关的开源工具及框架介绍
- 【效果保证】推荐系统的测试方法及常用指标介绍
- 【效果保证】道高一尺魔高一丈：推荐系统的攻防
- 【产品篇】推荐系统在互联网产品商业链条中的地位
- 【产品篇】说说信息流的前世今生
- 【团队篇】组建推荐团队及工程师的学习路径
- 【尾声】遇 荐 之后，江湖再见
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论