开篇词 | 用知识去对抗技术不平等#
【近邻推荐】解密“看了又看”和“买了又买”#
【近邻推荐】协同过滤中的相似度计算方法有哪些#
【近邻推荐】人以群分，你是什么人就看到什么世界#
【矩阵分解】那些在Netflix Prize中大放异彩的推荐算法#
【矩阵分解】如果关注排序效果，那么这个模型可以帮到你#
【矩阵分解】Facebook是怎么为十亿人互相推荐好友的#
【深度学习】用RNN构建个性化音乐播单
【深度学习】深度学习在推荐系统中的应用有哪些?#
【模型融合】经典模型融合办法：线性模型和树模型的组合拳#
【模型融合】深度和宽度兼具的融合模型 Wide and Deep#
【模型融合】一网打尽协同过滤、矩阵分解和线性模型#
【概念篇】这些你必须应该具备的思维模式#
【概念篇】你真的需要个性化推荐系统吗?#
【概念篇】个性化推荐系统那些绕不开的经典问题#
【效果保证】道高一尺魔高一丈：推荐系统的攻防
【效果保证】推荐系统的测试方法及常用指标介绍
【开源工具】和推荐系统有关的开源工具及框架介绍
【常见架构】总览推荐架构和搜索、广告的关系
【常见架构】典型的信息流架构是什么样的
【常见架构】Netflix个性化推荐架构
【团队篇】组建推荐团队及工程师的学习路径
【内容推荐】超越标签的内容推荐系统#
【内容推荐】画鬼容易画人难：用户画像的“能”和“不能”#
【内容推荐】从文本到用户画像有多远#
【其他应用算法】构建一个科学的排行榜体系
【其他应用算法】推荐候选池的去重策略
【其他应用算法】实用的加权采样算法
【关键模块】让数据驱动落地，你需要一个实验平台
【关键模块】让你的推荐系统反应更快：实时推荐
【关键模块】巧妇难为无米之炊：数据采集关键要素
【关键模块】 推荐系统服务化、存储选型及API设计
【产品篇】说说信息流的前世今生 (PDF)
【产品篇】说说信息流的前世今生
【产品篇】推荐系统在互联网产品商业链条中的地位 (PDF)
【产品篇】推荐系统在互联网产品商业链条中的地位
【MAB问题】结合上下文信息的Bandit算法
【MAB问题】简单却有效的Bandit算法
【MAB问题】如何将Bandit算法与协同过滤结合使用