目前按照文章的主題大致分成了下面幾個模塊，每個模塊內都是按照發(fā)表時間由近到遠排列：

• 排序&CXR預估

• 召回匹配

• 用戶畫像&特征工程

• 推薦搜索綜合

• 計算廣告

• 大數(shù)據(jù)

• 圖算法

• NLP&CV

• 求職面試

由于微信的文章不方便經(jīng)常更新，我把這份目錄也同步在了github上，并且支持主題跳轉。對于想要實時獲得最新更新的同學，可以關注一下https://github.com/shenweichen/AlgoNotes(文末【閱讀原文】可訪問，或公眾號后臺回復【目錄】）

排序&CXR預估

• 分類模型與排序模型在推薦系統(tǒng)中的異同分析

• 推薦系統(tǒng)中的排序學習

• CIKM20 | 阿里MiNet：跨域點擊率預估混合興趣模型

• KDD19 | 微軟DeepGBM:使用樹蒸餾提升在線預測任務下深度模型效果

• 推薦系統(tǒng)rank模塊-Online Learning

• IJCAI19 | 推薦系統(tǒng)論文DSIN：Deep Session Interest Network

• Life-long興趣建模視角CTR預估模型：Search-based Interest Model

• Ctr 預估之 Calibration

• AAAI20 | 阿里DMR:融合Match中協(xié)同過濾思想的深度排序模型

• 線下auc漲，線上ctr/cpm跌的原因和解決辦法

• 【視頻講解】DeepCTR中的xDeepFM原理和實現(xiàn)

• 【視頻講解】DeepCTR中的Deep&Cross Net原理和實現(xiàn)

• 【視頻講解】DeepCTR中的Wide&Deep原理和實現(xiàn)

• 【視頻講解】DeepCTR中的DeepFM原理和實現(xiàn)

• 常見CTR論文挑刺

• 萬字長文梳理CTR預估模型發(fā)展過程與關系圖譜

• Evolution of CTR prediction models

• AAAI19 | 谷歌SNR: 靈活參數(shù)共享的多任務學習網(wǎng)絡

• CIKM19 | 如何刻畫用戶的多樣興趣——阿里MIND閱讀筆記

• CIKM19 | Fi-GNN 通過圖神經(jīng)網(wǎng)絡建模特征交互作用來進行CTR預測

• WWW18 | TEM:結合GBDT葉節(jié)點嵌入的可解釋推薦模型

• 教你玩轉deepctr的FLEN模型& Kaggle Avazu實驗對比

• 淺談流式模型訓練體系

• 【CTR預估】FLEN: 一種時空高效的利用特征場信息緩解梯度耦合的CTR預測模型

• 【CTR預估】CTR模型如何加入稠密連續(xù)型和序列型特征？

• 【CTR預估】你真的需要 pairwise LTR嗎？速覽搜索推薦中pointwise和pairwise方法

• Learning to rank基本算法小結

召回匹配

• Embedding 技術在民宿推薦中的應用

• EMBEDDING 在大廠推薦場景中的工程化實踐

• KDD18 | 阿里新一代召回系統(tǒng)TDM讀后感

• 再評Airbnb的經(jīng)典Embedding論文

• 推薦系統(tǒng)召回層做離線評估的一種姿勢

• SIGIR20 | 一文綜述Learning to Match各種方法對比

• 推薦系統(tǒng)主流召回方法綜述

• 一文梳理推薦系統(tǒng)的中 EMBEDDING 的應用實踐

• Faiss - 常見問題總結

• CIKM18 | CFGAN：基于生成對抗網(wǎng)絡的協(xié)同過濾框架

• 從 Triplet loss 看推薦系統(tǒng)中文章Embedding

• SDM(Sequential Deep Matching Model)的復現(xiàn)之路

• RecSys19 | 谷歌最新雙塔DNN召回模型——應用于YouTube大規(guī)模視頻推薦場景

• 向量化召回在360信息流廣告的實踐

• DeepMatch ：用于推薦&廣告的深度召回匹配算法庫

• 【DeepMatch教程】YoutubeDNN在MovieLen1M數(shù)據(jù)集上進行向量召回

• KDD19 | 算法調研-微信看一看Embedding

• CIKM18 | Ripple Net:融合知識圖譜的推薦模型

• 跨境電商Etsy如何使用交互行為類型進行可解釋推薦

• 搜索推薦中的召回匹配模型綜述(一)--傳統(tǒng)方法

• 搜索推薦中的召回匹配模型綜述(二)--基于表示學習的深度學習方法

• 搜索推薦中的召回匹配模型綜述(三)--基于匹配函數(shù)學習的深度學習方法

用戶畫像&特征工程

• ?維特征的哈希技巧總結

• SIGIR20 | 超越用戶embedding矩陣：用哈希對大型用戶建模

• 淺談電商搜索推薦中ID類特征的統(tǒng)一建模：Hema Embedding解讀

• 用戶畫像必會的行為偏好計算方法

推薦搜索綜合

• 萬字長文解讀電商搜索——如何讓你買得又快又好

• 工業(yè)界推薦系統(tǒng)實用分析技巧

• KDD20 | 推薦系統(tǒng)論文一覽

• 搜索廣告之自動化創(chuàng)意

• KDD CUP 2020之Debiasing賽道方案 (Rush)

• 推薦系統(tǒng)研究中常用的評價指標

• 推薦多樣性重排算法之MMR

• 推薦系統(tǒng)技術演進趨勢：從召回到排序再到重排

• 推薦系統(tǒng)的發(fā)展與簡單回顧

• 萬字長文！推薦系統(tǒng)崗面試經(jīng)驗&學習心得

計算廣告

• 計算廣告OCPC算法實踐(一) 智能出價PID控制中的偏差與響應函數(shù)設計

• 《計算廣告》學習筆記

• OCPC 廣告算法在鳳凰新媒體的實踐探索

• 計算廣告發(fā)展歷程——從CPC到oCPX

• 百度鳳巢新一代廣告召回系統(tǒng)——“莫比烏斯”

• 廣告出價--如何使用PID控制廣告投放成本

• PID控制算法原理（拋棄公式，從本質上真正理解PID控制）

• 廣告和推薦排序中消除position bias的方法

• oCPC：計算廣告出價策略

• 廣告點擊率CTR修正-Wilson CTR

大數(shù)據(jù)

• 實時數(shù)據(jù)流計算引擎Flink和Spark剖析

• Spark 的一些人生經(jīng)驗

• 大數(shù)據(jù)kafka理論實操面試題

• Kafka 應用實踐與生態(tài)集成

• Flink 中文社區(qū)年度文章合集

圖算法

• 一文直擊Graph Embedding圖表示學習的原理及應用

• 【GraphEmbedding】DeepWalk算法原理，實現(xiàn)和應用

• 【GraphEmbedding】LINE：算法原理，實現(xiàn)和應用

• 【GraphEmbedding】node2vec：算法原理，實現(xiàn)和應用

• 【GraphEmbedding】GraRep：基于矩陣分解的圖表示學習

• 【GraphEmbedding】SDNE算法原理，實現(xiàn)和應用

• 【GraphEmbedding】Struc2Vec算法原理，實現(xiàn)和應用

• 【GNN】一文讀懂圖卷積GCN

• 【GNN】GCN 算法原理，實現(xiàn)和應用

• 二部圖表示學習 | Graph Convolutional Matrix Completion

• node2vec隨機游走優(yōu)化思路和代碼實現(xiàn)

• 【斯坦福CS224W 圖與機器學習(1-2)】：圖模型基本介紹

• 【斯坦福CS224W 圖與機器學習 3】：Motifs and Structural Roles

• KDD19 DGL教程：Recommender System with GNN

• 社交圖譜的標簽傳播算法

NLP&CV

• 【論文串講】從GPT和BERT到XLNet

• Transformer 超詳細解讀，一圖勝千言

• 【經(jīng)典精讀】Transformer模型深度解讀

• word2vec模型深度解析

• NLP與推薦系統(tǒng)的比較、聯(lián)系與未來

• 知識圖譜入門系列

• 知識圖譜基本概念&工程落地常見問題

• 本科生晉升GM記錄 & kaggle比賽進階技巧分享

• 9102年入門GAN的補習

• 快速掌握TensorFlow中張量運算的廣播機制

求職面試

• 你見過最差的算法工程師能差到什么程度？

• 我的求職經(jīng)驗總結

• 求職面試 | 《劍指Offer》Python題解&常考題總結

• 非科班如何拿到外企和國內大廠SSP Offer的？

• 算法工程師當前選哪個方向好？1，CV；2，NLP；3，推薦系統(tǒng)？

• 番外篇——社招如何拿到心儀公司的offer

?

總結

以上是生活随笔為你收集整理的100篇精选算法技术文章收藏的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。