动态更新工作和学习中阅读或发现的优质推荐系统相关的学习资源，方便自己学习和总结，也希望能为推荐系统相关行业的同学带来便利。
- DeepCTR: DeepCTR是一个易于使用、模块化和可扩展的基于深度学习的CTR模型包，以及许多可用于轻松构建定制模型的核心组件层。
- DeepMatch: DeepMatch是一个用于推荐和广告的深度匹配模型库。它很容易训练模型，并为用户和可用于ANN搜索的项目导出表示向量。
- TFRS: TensorFlow Recommenders (TFRS) 是一个用于构建 Recommender 系统模型的库, 在 Recommender 系统的整个构建流程 - 无论是数据准备、模型构建、训练、评估还是部署 - 都可以起到很大的帮助。
- TFR: TensorFlow Ranking是一个开源库，用于开发可伸缩的神经学习排序模型(LTR)。排序模型通常用于搜索和推荐系统，但也已成功应用于其他的领域，包括机器翻译、对话系统、电子商务、SAT解算器、智能城市规划，甚至计算生物学。
- RecBole: RecBole是基于Python和Pytorch开发的，用于在一个统一、全面和高效的框架中复制和开发推荐算法，用于研究目的。
- CRSLab: CRSLab是一个用于构建对话推荐系统（CRS）的开源工具包，其基于 PyTorch 实现、主要面向研究者使用。
- 王喆-算法工程师必须要知道的面试技能雷达图
- 王喆-为什么说算法工程师的面试是一门玄学？
- 王喆-如何准备算法工程师面试，斩获一线互联网公司机器学习岗offer？
- 王喆-对于一个领域，深度重要还是广度重要？（可以拿自己所在领域举例，为后来人提供一些经验）?
- 石塔西-四化大业：论算法工程师的自我修养
- 石塔西-无中生有：论推荐算法中的Embedding**
- 王喆-万物皆Embedding，从经典的word2vec到深度学习基本操作item2vec
- 王喆-Embedding从入门到专家必读的十篇论文
- 王喆-从KDD 2018 Best Paper看Airbnb实时搜索排序中的Embedding技巧
- 王喆-深度学习中不得不学的Graph Embedding方法
- 王喆-如何解决深度推荐系统中的Embedding冷启动问题？
- 张俊林-推荐系统中稀疏特征Embedding的优化表示方法
- 石塔西-久别重逢话双塔
- 石塔西-万变不离其宗：用统一框架理解向量化召回
- 石塔西-知识图谱上的双塔召回：阿里的IntentGC模型
- 石塔西-学习Airbnb是如何将"业务"与"算法"结合的
- 石塔西-再评Airbnb的经典Embedding论文
- 石塔西-负样本为王：评Facebook的向量化召回算法
- 石塔西-阿里ESAM：用迁移学习解决召回中的样本偏差
- 张俊林-SENet双塔模型：在推荐领域召回粗排的应用及其它
- 张俊林-推荐系统召回四模型之：全能的FM模型
- 张俊林-推荐系统召回四模型之二：沉重的FFM模型
- 张俊林-对比学习视角:重新审视推荐系统的召回粗排模型
- 王喆-前深度学习时代CTR预估模型的演化之路
- 王喆-见微知著，你真的搞懂Google的Wide&Deep模型了吗？
- 王喆-谷歌、阿里、微软等10大深度学习CTR模型最全演化图谱【推荐、广告、搜索领域】
- 王喆-回顾Facebook经典CTR预估模型
- 王喆-推荐系统中的注意力机制——阿里深度兴趣网络（DIN）
- 张俊林-FFM及DeepFFM模型在推荐系统的探索
- 石塔西-用NumPy手工打造 Wide & Deep
- 王喆-如何解决推荐系统工程难题——深度学习推荐模型线上serving？
- 王喆-如何增强推荐系统模型更新的「实时性」？
- 王喆-天下武功，唯快不破，论推荐系统的「 实时性」
- 王喆-Netflix推荐系统模型的快速线上评估方法——Interleaving
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent