搜索推荐算法系列文章整理

博主近期花了几个月时间，将搜索推荐行业一些经典的模型算法进行了整理，有的还加入了自己的浅显理解，还有一些是自己的经验文章，也都是搜索推荐行业，这个系列算是做完了，特来整理下每篇文章的链接和简要介绍

读懂、了解这些文章，基本上搜索推荐行业就可以算入门了，都是一些很经典的技术

 

一、经典模型算法系列

1：16年Youtube提出一篇dnn的模型方法，这也是用深度学习做搜索的一篇挺早的文章

YoutuBe 是如何利用深度学习解决搜索推荐问题的？ (一) - 论文翻译

Youtube论文的要点，你真的懂了吗？（一）

2：facebook在今年也提出来一个思路，协同过滤+深度学习来解决线上问题

facebook 将协同过滤加上深度学习来解决搜索推荐问题 (二) - 论文翻译

3：阿里巴巴也不甘落后，在之后发表了一篇当时线上带来稳定提升效果的用户兴趣匹配网络DIN

阿里巴巴线上使用的深度学习兴趣网络 DIN (三) - 论文翻译

阿里兴趣网络DIN网络中几个关键的点(三)

4：接着就是比较经典的 点乘pnn 网络了

PNN论文翻译 - 基于点乘的用户响应神经网络预测（四）

5：deepfm 一种专门用来分别处理稀疏特征和稠密特征的模型

deepfm算法论文翻译（五）

利用源码对deepfm中的fm层 dnn层进行讲解（五）

6：继youtube那边论文后，谷歌又针对5中所描述的问题，提出来一种经典的模型

wide-deep论文翻译（六）

7：直到现在还有很多公司在线上使用的ftrl模型，因为其的易解释性

谷歌13年提出来的类似于lr的算法 - ftrl论文翻译（七）

 

二、博主在这个行业自己的一些技术总结文章，有讲特征工程的，有模型调参的，还有一些经典问题 比如bias

1：postion bias，一种没办法避免讨论的线下、线上问题

搜索、推荐业务中 - position bias的工业界、学术界 发展历程 - 系列1(共计2)

搜索、推荐业务中 - position bias的工业界、学术界 发展历程 - 系列2(共计2)

2：特征工程中，不可缺少的难点 - 实时系统搭建

公司级别 - 实时系统搭建方案

3：离线特征工程设计 - 用4家互联网公司实际数据 来举例说明

搜索推荐业务场景下的特征系统搭建

4：有了特征工程，模型调参能少得了？

回归、决策树、神经网络、分布式模型是如何调参的？

5：当要预估或者说是召回的item数量巨大时，必须要做候选集采样

神经网络 - 候选集采样 - Candidate Sampleing

6：DIN网络中的attention机制的来龙去脉

神经网络中的attentin机制 + 如何使用（翻译文章）

 

三、各大公司技术文章整理

快手：https://mp.weixin.qq.com/s/Wn-5VD2-YWwVUWCMEy-lvw
爱奇艺：https://mp.weixin.qq.com/s/R0GG6Kg-h50RTRU6DIrZCg
美图：https://mp.weixin.qq.com/s/b8DkQWZbUc5-jzWKBd8iUA
uc浏览器：https://mp.weixin.qq.com/s/FXlxT6qSridawZDIdGD1mw
阿里:   https://mp.weixin.qq.com/s/_9Tl0cHkh9EhjHVES-ZT4A