软件方面最新的参考文献（推荐系统资源文献）

推荐系统近年来非常流行，应用于各行各业。推荐的对象包括：电影、音乐、新闻、书籍、学术论文、搜索查询、分众分类、以及其他产品。本文作者收集整理了丰富的推荐系统相关资源，包括推荐系统的文献、工具和框架等。

Github地址：

github/daicoolb/RecommenderSystem-Paper

“为了方便阅读，我整理了一些基础且重要的文章。”

推荐系统的主要学术会议：

• KDD 数据挖掘，数据科学和分析。
• ICDM 从广泛的数据挖掘相关领域吸引研究人员和应用程序开发人员，如统计，机器学习，模式识别，数据库和数据仓库，数据可视化，基于知识的系统和高性能计算。
• AAAI 促进人工智能的研究和负责任的使用。
• WWW 为世界提供了一个讨论网络发展，相关技术标准化以及这些技术对社会和文化的影响的首要论坛。
• NIPS 有责任为人工智能和机器学习领域的每个人提供包容和热情的环境。
• ICML 是领先的国际机器学习会议，由国际机器学习协会（IMLS）提供支持。
• CIKM 为信息和知识管理研究的介绍和讨论提供了一个国际论坛，以及数据和知识库的最新进展。
• SIGIR 是计算机协会信息检索特别兴趣小组。自1963年以来，我们促进了搜索和其他信息获取技术领域的研究，开发和教育。
• Recsys 是推荐系统中最著名的会议。
• WSDM（发音为“智慧”）是关于网络启发研究的主要会议之一，涉及搜索和数据挖掘。

收集了一些有用的推荐引擎：

• Mosaic Mosaic Films 是建立在Node.js之上的recommendedRaccoon引擎的demo。
• Contenct Engine 这是一个生产就绪但非常简单的基于内容的推荐引擎，它根据文本描述计算类似的item。
• Spark Engine 本教程介绍如何运行Google Cloud Platform上的解决方案文件Recommendation Engine中解释的代码。
• Spring Boost 如何使用Spring Boot，Aerospike和MongoDB构建推荐引擎。
• Ger 提供良好的推荐可以获得更多的用户参与度，并提供增加本来不存在的价值的机会。
• Crab 被称为scikits.recommender的Crab是一个Python框架，用于构建与科学Python包（numpy，scipy，matplotlib）集成的推荐引擎。

一些有用的推荐系统框架：

• Surprise 是一个Python scikit构建和分析推荐系统。
• LightFM 是针对隐式和显式反馈的许多流行推荐算法的Python实现，包括BPR和WARP排名损失的有效实现。
• SpotLight 使用PyTorch构建深度和浅度推荐器模型。
• Python-Recsys 用于实现推荐系统的python库。
• LibRec 一个用于推荐系统中最先进算法的java库。
• SparkMovieLens 使用Spark和Flask的可扩展在线电影推荐器。
• Elasticsearch 使用Apache Spark和Elasticsearch构建推荐器。

一些有意思的类型：