这个仓库致力于为推荐系统学习者和从业者提供系统化、权威的学习资源。无论你是初学者还是深度学习者,都能在这里找到有价值的内容。

• 📚 经典论文库 - 汇聚 RecSys 会议的高质量论文
• 🎓 深度读书笔记 - 不仅有源码,更有结构化的知识总结
• 💡 实战项目 - 从理论到实践的完整转化
• 🌟 持续维护 - 定期更新最新的推荐系统研究成果

recsys/
├── README.md # 项目说明
├── papers/ # 推荐系统经典论文库
├── 推荐系统实践/ # 实战项目和源码
├── 推荐系统.pdf # 推荐系统基础教程
├── 集体智慧编程.pdf # 经典算法实现
├── 一文读懂推荐系统知识体系-上(概念、结构、算法).pdf # 知识体系总结
├── Recommender Systems Handbook.pdf # 业界权威手册
└── Recommender Systems An Introduction.pdf # 入门必读

papers/ 文件夹包含精选的推荐系统领域论文,主要来自:

• RecSys - 推荐系统顶级会议
• SIGIR/KDD - 信息检索与数据挖掘
• IJCAI/AAAI - 人工智能顶级会议

1. Recommender Systems An Introduction.pdf
2. 推荐系统基础概念论文

1. 协同过滤经典论文
2. 基于内容的推荐算法
3. 混合推荐方法

1. 深度学习推荐论文
2. 注意力机制在推荐中的应用
3. 最新的 CTR 预测论文

• 协同过滤 (Collaborative Filtering) - 基于用户-物品交互
• 基于内容 (Content-Based) - 基于物品特征
• 混合方法 (Hybrid) - 结合多种策略
• 矩阵分解 (Matrix Factorization) - 降维技术

• KNN 邻域算法
• 用户/物品协同过滤
• 潜因子模型
• 排序学习算法
• 深度学习推荐

• 电商产品推荐
• 内容平台推荐(新闻、视频)
• 音乐/电影推荐
• 社交关系推荐

该文件夹包含可直接运行的推荐算法实现,覆盖:

# 克隆仓库
git clone https://github.com/singmiya/recsys.git
cd recsys
# 安装依赖
pip install -r requirements.txt
# 运行示例
python 推荐系统实践/cf_example.py

第一阶段(基础入门,1-2周)

• 阅读 《Recommender Systems An Introduction》 前 3 章
• 理解协同过滤基本概念
• 学习矩阵分解原理

第二阶段(深入学习,2-4周)

• 研读 《推荐系统知识体系》文档
• 学习排序学习算法
• 了解深度学习在推荐中的应用

第三阶段(实战开发,1-3个月)

• 实现基础推荐算法
• 构建个性化推荐系统
• 优化实际系统性能

• 协同过滤经典论文
• 矩阵分解相关论文
• CTR 预测论文
• 深度学习推荐论文
• 近期 RecSys 热点论文

• 电影推荐系统 Demo
• 用户协同过滤实现
• 基于内容的混合推荐
• 深度学习推荐模型
• 实时推荐系统架构

精确率 (Precision) - 推荐的好坏程度
召回率 (Recall) - 推荐的完整性
F1 Score - 精确率和召回率的综合
NDCG - 排序质量评估
MAP - 平均精准度

1. 从 Recommender Systems An Introduction.pdf 开始
2. 学习基本的协同过滤算法
3. 运行 推荐系统实践 中的简单示例

1. 查阅 Recommender Systems Handbook 了解全景
2. 研究 papers/ 中的最新论文
3. 参考实战项目进行系统设计

1. 深入研究 papers 文件夹中的论文
2. 分析论文实现细节
3. 贡献新的研究成果

欢迎提交 Issue 和 Pull Request!

• 📝 添加新的论文或读书笔记
• 💻 改进现有的代码实现
• 🐛 报告 Bug 或建议改进
• 📚 共享学习资源

• GitHub Issues - 提问和讨论
• GitHub Discussions - 深度交流
• 邮件 - 详细反馈

MIT License - 详见 LICENSE 文件

感谢所有为推荐系统领域做出贡献的研究者和工程师,以及社区中的每一位学习者。