前言

推薦系統是一個相當火熱的研究方向，在工業界和學術界都得到了大家的廣泛關注。希望通過此文，總結一些關於推薦系統領域相關的會議、知名學者，以及做科研常用的資料集、程式碼庫等，一來算是對自己涉獵推薦系統領域的整理和總結，二來希望能夠幫助想入門推薦系統的童鞋們提供一個參考，希望能夠儘快上手推薦系統，進而更好更快的深入科研也好、工程也罷。

一、 相關會議

對於推薦系統領域，直接相關的會議不多，但由於推薦系統會涉及到資料探勘、機器學習等方面的知識，並且推薦系統作為資料探勘和機器學習的重要應用之一，同時推薦系統往更大的領域靠攏的話也屬於人工智慧的範疇，因此很多做推薦的學者把目光也瞄向了資料探勘、機器學習和人工智慧方面的會議。所以，如果想關注推薦系統的前沿，我們需要不僅關注推薦系統年會，還需要關注其他與推薦掛鉤的會議。

1、與推薦系統直接相關的會議

RecSys -The ACM Conference Series on Recommender Systems.

2、資料探勘相關的會議

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、機器學習相關的會議

ICML - The International Conference on Machine Learning.

4、資訊檢索相關的會議

SIGIR - The ACM International Conference on Research and Development in Information Retrieval

5、資料庫相關的會議

CIKM - The ACM International Conference on Information and Knowledge Management.

6、Web相關的會議

WWW - The International World Wide Web Conference.

7、人工智慧相關的會議

AAAI - The National Conference of the American Association for Artificial Intelligence.

IJCAI - The International Joint Conference on Artificial Intelligence.

二、相關學者

1、Yehuda Koren

主要貢獻：Netflix Prize的冠軍隊成員，是推薦系統領域的大神級人物，現就職於雅虎

代表文獻：Matrix Factorization Techniques For Recommender Systems

2、Hao Ma

主要貢獻：社會化推薦領域的大牛，提出了許多基於社會化推薦的有效演算法，現就職於微軟

代表文獻：SoRec: Social Recommendation Using Probabilistic Matrix Factorization

3、郭貴冰

主要貢獻：國內推薦系統大牛，創辦了推薦系統開源專案LibRec

代表文獻：TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings

4、Hao Wang

主要貢獻：擅長運用深度學習技術提高推薦系統性能

代表文獻：Collaborative deep learning for recommender systems

5、何向南

主要貢獻：運用深度學習技術提高推薦系統性能

代表文獻：Neural Collaborative Filtering

6、Robin Burke

主要貢獻：混合推薦方向的大牛

代表文獻：Hybrid recommender systems: Survey and experiments

7、項亮

主要貢獻：國內推薦系統領域中理論與實踐並重的專家，Netflix Prize第二名

代表文獻：《推薦系統實踐》。

8、石川

主要貢獻：研究方向為異質資訊網路上的推薦，提出了加權的異質資訊相似度計算等

代表文獻：Semantic Path based Personalized Recommendation on Weighted Heterogeneous Information Networks

三、相關論文

最近和幾個同學共同整理了關於推薦系統的一些經典必讀論文，包括綜述文章、傳統經典推薦文章、社會化推薦文章、基於深度學習的推薦系統文章以及專門用於解決冷啟動問題的文章等。該專案還在持續更新中，歡迎大家star，歡迎大家補充，讓我們一起構建一個完整的入門推薦論文清單，讓想入門推薦的童鞋們不必再想咱們一樣痛苦吧。

四、相關課程

Recommender Systems Specialization

該課程於2018年3月26日開課，這個系列由4門子課程和1門畢業專案課程組成，包括推薦系統導論，最近鄰協同過濾，推薦系統評價，矩陣分解和高階技術等，感興趣的同學可以關注。

五、關於資料集

適用於傳統的推薦任務，提供了3種不同規模的資料，包含使用者對電影的評分資訊，使用者的人口統計學特徵以及電影的描述特徵。

適用於社會化推薦任務，規模較小，包含使用者對電影的評分資訊，同時包含使用者間的信任社交資訊。

適用於社會化推薦任務，規模適中，包含使用者對電影的評分資訊，同時包含使用者間的信任社交資訊。

適用於社會化推薦任務，規模較大，包含使用者對電影的評分資訊，同時包含使用者間的信任社交資訊，值得注意的是，該資料集同時還包括不信任關係資訊。

5、Yelp

幾乎適用於所有推薦任務，資料規模大，需要手動提取自己需要的資訊，包含評價評分資訊，使用者資訊（註冊資訊、粉絲數量、朋友資訊），商品資訊（屬性資訊、位置資訊、影象資訊），建議資訊等。

六、程式碼與工具

java版本開源推薦系統，包含了70多種經典的推薦演算法。

python版本開源推薦系統，包含了多種經典的推薦演算法。

3、LibMF

c++版本開源推薦系統，主要實現了基於矩陣分解的推薦演算法。

python版本開源推薦系統，包含了多種經典的推薦演算法。

python實現神經協同過濾推薦演算法。

未完待續...