文档是英文版的，系统的详细介绍了推荐系统；涉及到较为全面的数据挖掘理论和知识； 提供了完整的推荐案例

一本很好的学习推荐系统的参考手册，全面而系统。由全球做推荐系统的研究人员参与编写。目录主干： 1 Introduction to Recommender Systems Handbook Part I Basic Techniques 2 Data Mining Methods for Recommender Systems 3 Content-based Recommender Systems: State of the Art and Trends 4 A Comprehensive Survey of Neighborhood-based Recommendation Methods 5 Advances in Collaborative Filtering 6 Developing Constraint-based Recommenders 7 Context-Aware Recommender Systems Part II Applications and Evaluation of RSs 8 Evaluating Recommendation Systems 9 A Recommender System for an IPTV Service Provider: a Real Large-Scale Production Environment. 10 How to Get the Recommender Out of the Lab? 11 Matching Recommendation Technologies and Domains 12 Recommender Systems in Technology Enhanced Learning Part III Interacting with Recommender Systems 13 On the Evolution of Critiquing Recommenders 14 Creating More Credible and Persuasive Recommender Systems:The Influence of Source Characteristics on Recommender System Evaluations 15 Designing and Evaluating Explanations for Recommender Systems 16 Usability Guidelines for Product Recommenders Based on Example Critiquing Research 17 Map Based Visualization of Product Catalogs Part IV Recommender Systems and Communities 18 Communities, Collaboration, and Recommender Systems in PersonalizedWeb Search 19 Social Tagging Recommender Systems 20 Trust and Recommendations 21 Group Recommender Systems: Combining Individual Models Part V Advanced Algorithms 22 Aggregation of Preferences in Recommender Systems 23 Active Learning in Recommender Systems 24 Multi-Criteria Recommender Systems 25 Robust Collaborative Recommendation

在推荐系统中，在矩阵分解中利用文本信息来减轻数据稀疏性的问题已经做出了许多努力。 最近，一些工作已经探索了神经网络，以对文本项内容进行深入的了解，并通过生成更准确的项潜在模型获得了令人印象深刻的效果。 然而，在矩阵分解中如何有效利用用户和项目的描述文档仍然存在一个未解决的问题。 在本文中，我们提出了使用深度神经网络（DRMF）进行双正则化矩阵分解的方法。 DRMF采用卷积神经网络和门控递归神经网络堆叠的多层神经网络模型，以生成用户和项目内容的独立分布式表示。 然后，表示法用于规范矩阵分解中用户和项的潜在模型的生成。 我们提出了学习DRMF中所有参数的相应算法。 实验结果证明，双向正则化策略显着提高了矩阵分解方法的评分预测准确性和前n个推荐的召回率。 而且，作为DRMF的组成部分，新的神经网络模型比单一卷积神经网络模型更好地工作。

Most real-world recommender services measure their performance based on the top-N results shown to the end users. Thus, advances in top-N recommendation have far-ranging consequences in practical applications. In this paper, we present a novel method, called Collaborative Denoising Auto-Encoder (CDAE), for top-N recommendation that utilizes the idea of Denoising Auto-Encoders. We demonstrate that the proposed model is a generalization of several well-known collaborative filtering models but with more flexible components.

推荐系统类 2021年，亚当·密奇凯维奇大学数学与计算机科学系 作者：PiotrZioło 准备电脑 使用Python 3.8安装 。 安装 。 安装 （社区版本）。 将此存储库分叉到您的GitHub帐户。 转到计算机上要在其中具有存储库本地副本的选定文件夹。 右键单击该文件夹，然后从上下文菜单中选择“ Git Bash Here”。 运行以下命令以将GitHub帐户上的分叉存储库克隆到本地计算机： git clone your_repository_address_which_you'll_find_in_your_github 或者，打开Git Bash（与Git一起安装），将路径更改为要在其中具有存储库本地副本的文件夹，然后执行上述命令。 在Git Bash中，打开存储库文件夹并输入： jupyter notebook Jupyter Notebook的新选项卡应在浏

Wide Deep Learning for Recommender Systems.pdf

推荐系统比较好的综述，把行业内的推荐分析了一遍，外文教材

推荐系统手册第二版，英文版，对于做推荐算法的人是本经典的书。

谷歌的Wide&Deep;模型论文。大规模离散稀疏特征的处理。

google于2016年发表的论文"Wide & Deep Learning for Recommender Systems"里面的代码； 全套工程文件+数据集+调试过程； 经过tf版本升级之后，通过调试，没有问题； 其他小问题可以参考我写的“调试过程”