推荐系统相关

转载：原文出处：https://www.cnblogs.com/lijinze-tsinghua/p/10763326.html

 

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.

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

1、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，现就职于雅虎

代表文献：Matrix Factorization Techniques For Recommender Systems

2、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

3、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

4、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

5、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

6、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

7、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》。

8、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

1、RSPapers

最近和几个同学共同整理了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以及专门用于解决冷启动问题的文章等。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：hongleizhang/RSPapers

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。

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、Recommender-System

python版本开源推荐系统，包含了多种经典的推荐算法。

5、Neural Collaborative Filtering

python实现神经协同过滤推荐算法。

未完待续...