推荐系统/机器学习(Machine Learning)/点击率(CTR)/转化率(CVR)预估/点击率预估汇总
该文本详细介绍了推荐系统、计算广告、统计学习模型、深度学习模型、相关比赛、技术博客和经典论文清单等内容。涵盖推荐系统简明教程、召回、排序、实践工具、计算广告学系列视屏、统计学习模型的技术文章与实践工具、深度学习模型的技术文章与实践代码、多个相关比赛及其获奖方案、技术博客、经典论文清单等。内容全面，适合研究人员和技术人员参考。
转载：
https://www.ctolib.com/mJackie-RecSys.html
https://github.com/mJackie/RecSys
https://github.com/mJackie/RecNews
RoadMap
该平台提供多种功能模块，涵盖推荐系统、计算广告、统计学习模型等核心领域。在推荐系统方面，用户可访问...等技术文章，同时获得实践工具支持。计算广告模块则包括...等技术文章，配合实践代码使用。统计学习模型部分，用户可深入学习...等技术文章，并通过实践代码验证理论知识。深度学习模型领域，提供...等技术文章，配合实践代码进行模型开发。此外，平台还设有多个相关比赛，包括Criteo Display Advertising Challenge、Avazu Click Through Rate Prediction等，供用户参与实践。技术博客和经典论文清单部分，用户可获取最新研究动态和技术见解。
推荐系统
计算广告
- 互联网广告系统综述文章系列
- 计算广告学系列视频课程-刘鹏
- 计算广告学教材-刘鹏
统计学习模型
技术文章
- 前深度学习时代的CTR预估模型演进历程
- 逻辑回归模型简介
- FFM讲解PPT
- FFM原理深入解析
- GBDT算法原理与系统设计
实践工具
- LightGBM
- 基于梯度提升树的高效学习平台
- XGBoost
- 基于梯度提升树的高性能工具
- LIBFFM
- 支持线性核的高效特征建模
- xLearn
- 基于线性核的高效特征建模
- DeepCTR
- 基于线性核的高效特征建模
深度学习模型
技术文章
- 深度学习如何应用在广告、推荐及搜索业务？
- 在广告、推荐及搜索业务中，深度学习展现出显著的应用潜力。
- 深度学习在CTR预估中的应用
- 通过深度学习技术，CTR预估的准确性得到了显著提升。
- 深度学习在 CTR 中应用
- 深度学习技术在CTR领域展现出广泛的应用前景。
- 深度学习在美团点评推荐业务中实践
- 在美团点评的推荐业务中，深度学习技术的实际应用效果令人印象深刻。
实践代码
基于CTR预估的FM、FFM及DeepFM算法及其实践](https://github.com/Johnson0722/CTR_Prediction)
*【基于ctr排序的深度神经网络模型在推荐系统中的应用
相关比赛
CriteoDisplay Advertising Competition
- Rank1: 借鉴了Facebook的方案: GBDT 特征编码 + FFM
- Rank3: Quadratic Feature Generation + FTRL 传统特征工程和 FTRL 线性模型的结合
AvazuClickThroughRatePrediction
- Rank1: Feature Engineering + FFM + Ensemble, 只基于 FFM 进行集成
- Rank2: Feature Engineering + GBDT 特征编码 + FFM + Blending
2018年IJCAI举办的"阿里妈妈搜索广告转化预测"竞赛旨在探索搜索广告转化预测领域的最新研究进展。该竞赛吸引了来自全球的参赛机构，旨在通过高质量的参赛作品集展示阿里妈妈在该领域的研究成果。参赛机构需提交其搜索广告转化预测模型及相关技术文档，以参与此次竞赛。该竞赛不仅为参赛机构提供了展示平台，还设置了丰富的奖励机制，包括技术奖项和创新奖等。参赛机构需在指定时间内完成作品的提交，并遵守竞赛规则。通过这一竞赛，阿里妈妈希望推动搜索广告转化预测领域的研究与实践，为行业提供参考。
- Rank1: GBDT，用了嫁接技术处理样本分布不一致
- Rank2: GBDT单模型+大量特征工程
- Rank3: https://github.com/DiligentPanda/Tencent_Ads_Algo_2018
- Rank6: https://github.com/nzc/tencent-contest
技术博客
经典论文清单
筛选文章的标准为：包含前沿领域的研究或具有经典价值的文献，偏向工程领域的内容，并由知名互联网企业如谷歌、阿里巴巴、Facebook等发布。
google 的 wide&deep，必看论文，经典到难以附加
DeepFM: 该方法基于端到端的广泛与深层学习框架，用于点击率预测
华为对wide&deep的改进，加了wide层的交叉项。如今工业界的主流模型
Practical insights into predicting ad click-through rates in Facebook
虽然Facebook提出的GBDT+LR方案曾是核心方案，尽管如今已不为主流方法所采用，但论文中的思想仍具有重要的参考价值。
Deep learning models and their application to YouTube recommendations
介绍了Youtube推荐系统工业界架构与方案，经典必看
Real-time Personalization in Search Ranking Tasks at Airbnb, Utilizing Embedding Models
KDD2018 best paper，Embedding 必看论文，非常经典
Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate
阿里的多目标学习经典方案，同时优化CTR & CVR
实时个性化推荐系统基于嵌入技术用于搜索排名研究在Airbnb上应用
介绍了 airbnb 搜索排序模型的演进，工业性质很强，值得参考