博主花了最近几个月，整理了搜索推荐行业的经典模型算法。 有人对自己的理解浅显，有人是自己的经验报道，也是搜索推荐行业。 这个系列已经完成了，特别是整理各报道的链接和简要介绍
阅读和理解这些文章，基本上只要搜索推荐行业就能入门，是一门经典的技术
一.经典模型算法系列
1:16年Youtube提出了dnn的模型方法。 这也是在深度学习中搜索的非常快的报道
YoutuBe如何利用深度学习解决搜索推荐问题？ (一) -论文翻译
Youtube论文的要点，你真的明白了吗？ (一) )。
2 )2:facebook今年也提出了协调过滤深度学习解决在线问题的构想
facebook结合协同过滤和深度学习解决搜索推荐问题(2)——论文翻译
3 )阿里巴巴也不甘落后，随后推出了符合当时在线带来稳定提升效果的用户兴趣的网络DIN
阿里巴巴在线深度学习兴趣网din(3)——论文翻译
蚂蚁兴趣网DIN网络中的几个关键点(3) )。
4 )接下来是乘坐pnn网络的典型点
PNN论文翻译-基于点乘法的用户响应神经网络预测(四) ) ) ) ) ) ) ) ) )。
5 )5:用于分别处理5:deepfm稀疏特征和稠密特征的模型
深度调频算法论文翻译(五) )。
使用源代码对deepfm中的fm层dnn层进行解说(五) )。
6 )在youtube方面的论文之后，谷歌针对5中提到的问题提出了经典模型
广深论文翻译(六) )。
7 )因为至今为止很多公司都在线使用的ftrl模型很容易解释
谷歌13年提出的类似lr的算法- ftrl论文翻译(七) ) )。
二、博主有一篇文章总结了自己在这个行业的技术。 有讲特征工程的人、模型参谋的人、bias等典型问题
1 )1:定位，不可避免的线上、线上问题
搜索推荐业务中的- position bias的工业界学术界的发展历史-系列1 (共2个) ) ) ) ) ) ) ) ) ) ) ) )。
搜索推荐业务中的- position bias在工业界学术界的发展历程-系列2 (共2 ) )
2 )特色项目必不可少的难点——构建实时系统
公司级-实时系统构建方案
3 )离线特性工程-举例说明4家互联网公司的实际数据
搜索推荐业务场景下的特色系统构建
4 )如果有特色项目，模型参赛会少吗？
回归、决策树、神经网络、分布式模型是如何参与的？
5 )如果召回的item数量巨大，则需要对候选集进行采样
神经网络-候选集采样- Candidate Sampleing
6 ) din网络中注释机制的经过
神经网络中定向机制的用法(文章翻译)
三.大型企业技术文章整理
快手： https://MP.weixin.QQ.com/s/wn-5v D2-ywwvuwcmey-lvw
爱奇艺： https://MP.weixin.QQ.com/s/r0gg6kg-h 50 RTR U6 dirzcg
图： https://MP.weixin.QQ.com/s/b8dkqwzbuc5- jzwkbd 8i ua
uc浏览器： https://MP.weixin.QQ.com/s/fxl XT6qsridawzdidgd1MW
阿里：3359 MP.weixin.QQ.com/s/_ 9tl0chk H9 ehjhves-zt4a