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，總結一些關于推薦系統領域相關的會議、知名學者，以及做科研常用的數據集、代碼庫等，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，希望能夠盡快上手推薦系統，進而更好更快的深入科研也好、工程也罷。
相關會議
對于推薦系統領域，直接相關的會議不多，但由于推薦系統會涉及到數據挖掘、機器學習等方面的知識，並且推薦系統作爲數據挖掘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于人工智能的範疇，因此很多做推薦的學者把目光也瞄向了數據挖掘、機器學習和人工智能方面的會議。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挂鈎的會議。
1、與推薦系統直接相關的會議
RecSys -The ACM Conference Series on Recommender Systems.
2、數據挖掘相關的會議
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.
NIPS – The Conference on Neural Information Processing Systems
4、信息檢索相關的會議
SIGIR – The ACM International Conference on Research and Development in Information Retrieval
5、數據庫相關的會議
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、人工智能相關的會議
AAAI – The National Conference of the American Association for Artificial Intelligence.
IJCAI – The International Joint Conference on Artificial Intelligence.
相關學者
- Yehuda Koren
個人主頁：Koren's HomePage
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，曾就職雅虎，現就職于谷歌
代表文獻：Matrix Factorization Techniques For Recommender Systems
- Hao Ma
個人主頁：HaoMa's HomePage
主要貢獻：社會化推薦領域的大牛，提出了許多基于社會化推薦的有效算法，現就職于微軟
代表文獻：SoRec: Social Recommendation Using Probabilistic Matrix Factorization
- Julian McAuley
個人主頁：McAuley
主要貢獻：研究方向爲社交網絡、數據挖掘、推薦系統，現爲加利福尼亞大學聖叠戈分校助理教授
代表文獻：Leveraging social connections to improve personalized ranking for collaborative filtering
- 郭貴冰
個人主頁：Guibing Guo's HomePage
主要貢獻：國內推薦系統大牛，創辦了推薦系統開源項目LibRec
代表文獻：TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings
- Hao Wang
個人主頁：HaoWang's HomePage
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
- 何向南
個人主頁：Xiangnan He's Homepage
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
- Robin Burke
個人主頁：rburke's HomePage
主要貢獻：混合推薦方向的大牛
代表文獻：Hybrid recommender systems: Survey and experiments
- 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》。
- 趙鑫
個人主頁：zhaoxin's HomePage
主要貢獻：國內推薦系統著名學者，側重利用自然語言處理技術來提升Top-N推薦性能
代表文獻：Improving Sequential Recommendation with Knowledge-enhanced Memory Networks
- 石川
個人主頁：shichuan's HomePage
主要貢獻：研究方向爲異質信息網絡上的推薦，提出了加權的異質信息相似度計算等
代表文獻：Semantic Path based Personalized Recommendation on Weighted Heterogeneous Information Networks
相關論文
最近和幾個同學共同整理了超100篇關于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、基于深度學習的推薦系統文章、專門用于解決冷啓動問題的文章、POI相關的論文、利用哈希技術來加速推薦的文章以及推薦系統中經典的探索與利用問題的相關文章等。該項目還在持續更新中，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。
相關書籍
- 《推薦系統實踐》
- 《Recommender systems handbook》
- 《推薦系統-Recommender systems:An introduction》
- 《推薦系統:技術、評估及高效算法》
相關課程
- Recommender Systems Specialization
最近，coursea上開放了推薦系統專項課程《Recommender Systems Specialization》。
該課程于2018年3月26日開課，這個系列由4門子課程和1門畢業項目課程組成，包括推薦系統導論，最近鄰協同過濾，推薦系統評價，矩陣分解和高級技術等，感興趣的同學可以關注。
關于數據集
1、MovieLens
適用于傳統的推薦任務，提供了3種不同規模的數據，包含用戶對電影的評分信息，用戶的人口統計學特征以及電影的描述特征。
2、Filmtrust
適用于社會化推薦任務，規模較小，包含用戶對電影的評分信息，同時包含用戶間的信任社交信息。
3、Douban
適用于社會化推薦任務，規模適中，包含用戶對電影的評分信息，同時包含用戶間的信任社交信息。
4、Epinions
適用于社會化推薦任務，規模較大，包含用戶對電影的評分信息，同時包含用戶間的信任社交信息，值得注意的是，該數據集同時還包括不信任關系信息。
5、Yelp
幾乎適用于所有推薦任務，數據規模大，需要手動提取自己需要的信息，包含評價評分信息，用戶信息（注冊信息、粉絲數量、朋友信息），商品信息（屬性信息、位置信息、圖像信息），建議信息等。
6、KB4Rec
適用于推薦系統與知識圖譜相結合的研究需求，該數據集將推薦數據中的物品鏈接到大型知識圖譜中的實體，爲推薦系統的物品提供蘊含豐富語義的結構化知識信息。
代碼與工具
1、LibRec
java版本開源推薦系統，包含了70多種經典的推薦算法。
2、Surprise
python版本開源推薦系統，包含了多種經典的推薦算法。
3、LibMF
c++版本開源推薦系統，主要實現了基于矩陣分解的推薦算法。
4、Neural Collaborative Filtering
python實現神經協同過濾推薦算法。
未完待續…
注：本人能力有限，以期在總結中提高，思考中進步。如若有識之士欲共謀此事，歡迎補充。