推荐系统（Recommender System）是机器学习应用较为成熟的方向之一，在工业界中，推荐系统也是大数据领域成功的应用之一。在推荐系统中，涉及到大量的算法以及大数据的技术和方法，以下总结和整理对构建一个完整的推荐系统有用的一些材料。

(以下内容会持续更新)

• [2005]. Toward the Next Generation of Recommender Systems A Survey of the State-of-the-Art and Possible Extensions
  2005年的state-of-the-art的推荐综述，按照content-based, CF, Hybrid的分类方法进行组织，并介绍了推荐引擎设计时需要关注的特性指标，内容非常全。

• Netflix公布个性化和推荐系统架构
  介绍在Netflix中的推荐系统的技术架构，对于构建工业级的推荐系统具有很重要的意义。

• Overview of Recommender Algorithms – Part 1

• Overview of Recommender Algorithms – Part 2

• Recommender Systems in Netflix

• 推荐引擎初探

• 【美团】旅游推荐系统的演进
  

• 深度学习在推荐领域的应用
  

• [2017]. Deep Learning based Recommender System : A Survey and New Perspectives

• [2017]. Use of Deep Learning in Modern Recommendation System : A Summary of Recent Works

• [2000]. Application of Dimensionality Reduction in Recommender System -- A Case Study

• [2003]. Amazon.com recommendations:Item-to-item collaborative filtering
  经典的亚马逊item-based算法的文章

• [2005]. A survey of collaborative filtering techniques
  有关协同过滤的一篇综述，介绍了CF算法，所面临的一些挑战以及解决的方案，详细介绍了三种类型的CF算法：memory_based,model_based和hybrid，涉及到的问题以及解决方法在现今依旧值得借鉴。

• [2009]. Matrix factorization techniques for recommender systems

• [2010]. Factor in the neighbors : Scalable and accurate collaborative filtering

• [2016]. Local Item-Item Models for Top-N Recommendation

• [2017]. Two Decades of Recommender Systems at Amazon.com
  介绍在Amazon.com中使用的item-based collaborative filtering（基于商品的协同过滤）算法的具体过程。

• 深入推荐引擎相关算法 - 协同过滤

• [2007]. Predicting clicks: estimating the click-through rate for new ads

• [2010]. Factorization Machines

• [2010]. Fast Context-aware Recommendations with Factorization Machines

• [2014]. Practical lessons from predicting clicks on ads at facebook

• 深入推荐引擎相关算法 - 聚类

• [2007]. Restricted Boltzmann Machines for Collaborative Filtering

• [2013]. Learning deep structured semantic models for web search using clickthrough data

• [2015]. A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems

• [2015]. AutoRec : Autoencoders Meet Collaborative Filtering
  利用AutoEncoder模型学习User的隐向量矩阵U与Item的隐向量矩阵V

• [2016]. Collaborative Denoising Auto-Encoders for Top-N Recommender Systems

• [2016]. Deep Neural Networks for YouTube Recommendations

• [2016]. Item2vec : Neural Item Embedding for Collaborative Filtering
  

• [2016]. Wide & Deep Learning for Recommender Systems

• [2016]. Session-based recommendations with recurrent neural networks
  提出了利用RNN建模一个用户session间的点击序列，该方法完全利用用户在当前session里的反馈去做推荐，相比原依赖用户历史记录的推荐能在解决冷启动问题上更为简洁有效。

• [2016]. Personal Recommendation Using Deep Recurrent Neural Networks in NetEase

• [2016]. Product-Based Neural Networks for User Response Prediction

• [2017]. DeepFM : A Factorization-Machine based Neural Network for CTR Prediction

• [2017]. Deep & Cross Network for Ad Click Predictions

• [2017]. Embedding-based News Recommendation for Millions of Users

• [2017]. Deep Interest Network for Click-Through Rate Prediction

• 【美团】美团“猜你喜欢”深度学习排序模型实践

• 【美团】深度学习在美团点评推荐平台排序中的运用

• 【携程】推荐系统中基于深度学习的混合协同过滤模型