繼上一篇《我的機器學習入門之路（中）——深度學習(自然語言處理)》，這一篇博客主要記錄了我對知識圖譜、推薦和廣告等方向的一些涉獵與基礎學習。

?

一、知識圖譜

從自然語言處理到知識圖譜，是一個很自然和直接的應用。知識圖譜的內容非常多，因為沒有做過相應的項目，所以我也只是學習和了解為主。主要包括兩部分：理論學習、實踐教程。

1、理論學習部分

什么是知識圖譜？：https://mp.weixin.qq.com/s/XgKvh63wgEe-CR9bchp03Q

一個不錯的知識圖譜入門系列教程：http://pelhans.com/2018/03/15/xiaoxiangkg-note1/

為什么需要知識圖譜？什么是知識圖譜？：https://blog.csdn.net/u011801161/article/details/78733954

NLP 與知識圖譜的對接：https://zhuanlan.zhihu.com/p/26295332

2、實踐相關

項目實戰：如何構建知識圖譜：https://mp.weixin.qq.com/s/cL1aKdu8ig8-ocOPirXk2w

美團大腦：知識圖譜的建模方法及其應用：https://tech.meituan.com/2018/11/01/meituan-ai-nlp.html

?

二、推薦系統

首先推薦看一本書：項亮的《推薦系統實踐》，看完可以對推薦系統有一個比較全面的認識和了解。

推薦一般可分為召回和排序兩個階段，在入門之后，就可以開始分別學習一些經典的模型與方法了。

1、召回

推薦系統中的召回算法－－協同過濾：https://blog.csdn.net/weixin_41362649/article/details/89055808

推薦系統召回四模型之：全能的FM模型：https://zhuanlan.zhihu.com/p/58160982

推薦系統召回四模型之二：沉重的FFM模型：https://zhuanlan.zhihu.com/p/59528983

2、排序

學習排序 Learning to Rank：從 pointwise 和 pairwise 到 listwise，經典模型與優缺點：https://blog.csdn.net/lipengcn/article/details/80373744

機器學習算法-L2R進一步了解：https://jiayi797.github.io/2017/09/25/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AE%97%E6%B3%95-L2R%E8%BF%9B%E4%B8%80%E6%AD%A5%E4%BA%86%E8%A7%A3/

淺談Learning to Rank中的RankNet和LambdaRank算法：https://zhuanlan.zhihu.com/p/68682607

Deep Neural Network for YouTube Recommendation論文精讀：https://zhuanlan.zhihu.com/p/25343518

簡單易學的深度學習算法——Wide & Deep Learning：https://blog.csdn.net/google19890102/article/details/78171283

推薦系統資料集合鏈接：https://www.jianshu.com/p/2b1246858e6f

3、冷啟動問題

推薦系統理論(三) -- 冷啟動問題：https://www.jianshu.com/p/62e5171c85bc

4、其它

推薦系統從入門到接著入門：https://zhuanlan.zhihu.com/p/27502172

21天搭建推薦系統：實現“千人千面”個性化推薦：https://yq.aliyun.com/articles/39629

知乎推薦頁 Ranking 構建歷程和經驗分享：https://www.infoq.cn/article/g95hu67a4WheikGu*w9K

推薦系統--完整的架構設計和算法(協同過濾、隱語義)：https://juejin.im/post/5d75ad14f265da03c02c2827

今日頭條推薦算法原理全文詳解：https://lusongsong.com/info/post/9829.html

?

三、廣告

主要是CTR預估的一些資源

廣告點擊率預估是怎么回事？：https://zhuanlan.zhihu.com/p/23499698

傳統ctr預估：https://hxhlwf.github.io/posts/dl-traditional-ctr-models.html

基于深度學習的ctr預估模型集合：https://daiwk.github.io/posts/dl-dl-ctr-models.html

主流CTR預估模型的演化及對比：https://zhuanlan.zhihu.com/p/35465875

機器學習算法評價指標之group auc（gauc）：https://blog.csdn.net/hnu2012/article/details/87892368

廣告CTR預估中預測點擊率的校準：https://zhuanlan.zhihu.com/p/35580375

面向稀有事件的 Logistic Regression 模型校準：http://vividfree.github.io/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/2015/12/15/model-calibration-for-logistic-regression-in-rare-events-data

?

計算廣告和推薦系統之間的區別和聯系，大家可以看看下面這個知乎問題中，大佬們的回答。

計算廣告與推薦系統有哪些區別？：https://www.zhihu.com/question/19662693

?

學習完上面這些之后，應該能算是入了個門了，之后將繼續深入學習并及時分享~

?

我的微信公眾號：帕尼尼古

歡迎關注~

?

?

?

?

?

總結

以上是生活随笔為你收集整理的我的机器学习入门之路（下）——知识图谱、推荐、广告的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。