推荐系统学术会议
推荐系统入门后，查阅前沿论文研究是相当重要的。毕竟推荐系统是一个应用性相当强的领域，如果抛开实际应用是无法做出优秀研究的。所以阅读推荐系统的前沿论文非常重要。并且推荐系统作为数据挖掘、机器学习和人工智能技术的应用平台，在其他方面的会议也有很多优秀的推荐系统文章。以下是优秀的推荐系统论文可能出现的会议：
- 与推荐系统直接相关的会议
RecSys -The ACM Conference Series on Recommender Systems.
- 数据挖掘相关的会议
SIGKDD - The ACM SIGKDD Conference on Knowledge Discovery and Data Mining.
WSDM - The International Conference on Web Search and Data Mining.
ICDM - The IEEE International Conference on Data Mining.
SDM -TheSIAM International Conference on Data Mining.
- 机器学习相关的会议
ICML - The International Conference on Machine Learning.
- 信息检索相关的会议
SIGIR - The ACM International Conference on Research and Development in Information Retrieval
- 数据库相关的会议
CIKM - The ACM International Conference on Information and Knowledge Management.
- Web相关的会议
WWW - The International World Wide Web Conference.
- 人工智能相关的会议
AAAI - The National Conference of the American Association for Artificial Intelligence.
IJCAI - The International Joint Conference on Artificial Intelligence.
一些在推荐系统领域有重大贡献的学者大牛如下：
- Yehuda Koren
学术主页：https://scholar.google.com/citations?user=wTmI_HYAAAAJ&hl=zh-CN
主要贡献：Netflix Prize的冠军队成员，是推荐系统领域的大神级人物
代表文献：Matrix Factorization Techniques For Recommender Systems
- Hao Ma
主要贡献：社会化推荐领域的大牛，提出了许多基于社会化推荐的有效算法，现就职于facebook
代表文献：SoRec: Social Recommendation Using Probabilistic Matrix Factorization
- 郭贵冰
个人主页：https://www.librec.net/luckymoon.me/
主要贡献：国内推荐系统大牛，创办了推荐系统开源项目LibRec
代表文献：TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings
- 王灏
个人主页：http://www.wanghao.in/publication.html
主要贡献：擅长运用深度学习技术提高推荐系统性能
代表文献：Collaborative deep learning for recommender systems
- 何向南
个人主页：https://www.comp.nus.edu.sg/~xiangnan/
主要贡献：运用深度学习技术提高推荐系统性能，论文代码和ppt基本上都发出来，很方便学习
代表文献：Neural Collaborative Filtering
- Robin Burke
个人主页：http://www.that-recsys-lab.net/home/people/burke
主要贡献：混合推荐方向的大牛
代表文献：Hybrid recommender systems: Survey and experiments
- 项亮
主要贡献：国内推荐系统领域中理论与实践并重的专家，Netflix Prize第二名
代表文献：《推荐系统实践》。
- 石川
个人主页：http://shichuan.org/
主要贡献：研究方向为异质信息网络上的推荐，提出了加权的异质信息相似度计算等
代表文献：Semantic Path based Personalized Recommendation on Weighted Heterogeneous Information Networks