学习推荐系统，还是要掌握一定的机器学习知识的，从特征获取、特征处理、特征选择，到基本的机器学习模型如逻辑回归、GBDT等等，都需要你熟练掌握。
其中比较重要的就是特征这块，因为推荐系统中会面临大量的离散特征，对离散特征的处理方式需要有一定的了解。
这里还是推荐李航博士的《统计学习方法第二版》。
然后就是神经网络，推荐系统中神经网络运用非常多，神经网络中基础的如循环神经网络、卷积神经网络，以及一些模型结构的搭建、训练的技巧如Dropout、BN等等也需要有所理解。
这个推荐吴恩达的深度学习课程以及李宏毅老师的深度学习课程。
推荐系统市面上的书不是很多，而且写得往往不够深入，仅能够起到一定的入门作用，毕竟推荐在各个公司还是比较核心的内容，是比较受到保护的。但经典的书籍还是有的，入门的话推荐两本。
一是大家所熟知的《推荐系统实践》，这本的话对于大家了解推荐系统中最基本的算法如协同过滤、推荐系统中常用的评价指标、使用上下文和社交网络进行推荐、如何解决冷启动问题都有一定的帮助。
二是最近市面上新出现的《推荐系统开发实战》一书，虽然这本书我还没有看过，但不少的群友反映这本书对于入门推荐系统来说十分友好。理论和实战相结合，是挺不错的一本“小白实操书”。然后还有的一些书籍如《推荐系统与深度学习》和《推荐系统-技术、评估及高效算法》，大家感兴趣的话也可以进行阅读。
在理解基本的推荐知识之后，你大概会了解到推荐具体是做什么的，那么其问题又可以分成几个方面。如召回、CTR预估、Learning to Rank等等。这个时候我建议的话就是开始阅读经典论文了。下面整理一些我看过的比较经典的论文吧，可能有遗漏，也欢迎大家补充。
FM：《Factorization Machines》
FFM：《Field-aware Factorization Machines for CTR Prediction》
DeepFM：《DeepFM: A Factorization-Machine based Neural Network for CTR Prediction》
Wide & Deep：《Wide & Deep Learning for Recommender Systems》
DCN：《Deep & Cross Network for Ad Click Predictions》
NFM：《Neural Factorization Machines for Sparse Predictive Analytics》
AFM：《Attentional Factorization Machines:
Learning the Weight of Feature Interactions via Attention Networks》
GBDT + LR：《Practical Lessons from Predicting Clicks on Ads at Facebook》
MLR：《Learning Piece-wise Linear Models
from Large Scale Data for Ad Click Prediction》
DIN：《Deep Interest Network for Click-Through Rate Prediction》
DIEN：《Deep Interest Evolution Network for Click-Through Rate Prediction》
BPR：《BPR: Bayesian Personalized Ranking from Implicit Feedback》
Youtube：《Deep Neural Networks for YouTube Recommendations》
当然有些其他的论文也十分经典，咱们放在后面继续讲。
读论文也是需要一定的技巧，不同的人可能关注的点不一样，所以导致阅读重心不一样。对于我来说，我比较关注的点是这个论文要解决什么样的问题，是如何解决的，以及作者从哪几方面出发，使用什么评价指标来评判模型的好坏。至于效果，论文嘛，可信可不信，看看就好了。
读论文中你也许会有很多疑惑，如DeepFM这个Embedding如何共享的？DIN里面的Attention如何实现？解决这些疑惑的最好办法我认为不是读论文、百度别人写的博客，最好的方法就是去找开源的代码，试着复现也好，比着代码自己实现一遍也好，对你加深认识都有很大的帮助！
有一些开源的代码我已经帮大家整理的差不多了，在下面的github中（以后不要再问我数据或者地址的问题了，数据都在github的readme中）：https://github.com/princewen/tensorflow_practice
不管对一篇论文你看懂了还是没看懂也好，都去尝试复现一遍吧，真的很有帮助。
在不断跟进推荐系统论文的过程中，你会发现推荐系统会借鉴各个领域的方法， 持续跟进最近推荐论文，对我们学习其他领域如NLP、图像领域、强化学习等等都会有所帮助。接下来列举一些借鉴其他领域方法的一些文章吧，也算是对第三部分的一个补充。
强化学习 《DRN: A Deep Reinforcement Learning Framework for News Recommendation》 《Deep Reinforcement Learning for List-wise Recommendations》
多任务学习 《Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate》 《Why I like it: Multi-task Learning for Recommendation and Explanation》
GAN 《IRGAN: A Minimax Game for Unifying Generative and Discriminative Information Retrieval Models》 《CFGAN: A Generic Collaborative Filtering Framework based on Generative Adversarial Networks》
知识图谱
《DKN: Deep Knowledge-Aware Network for News Recommendation》 《RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems》 《Multi-task Learning for KG enhanced Recommendation》 《Perceive Your Users in Depth: Learning Universal User Representations from Multiple E-commerce Tasks》
Transformer 《Next Item Recommendation with Self-Attention》 《Deep Session Interest Network for Click-Through Rate Prediction》 《Behavior Sequence Transformer for E-commerce Recommendation in Alibaba》 《BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer》
RNN & GNN 《SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS》 《Improved Recurrent Neural Networks for Session-based Recommendations》 《Session-based Recommendation with Graph Neural Networks》
Embedding技巧 《Real-time Personalization using Embeddings for Search Ranking at Airbnb》 《Learning and Transferring IDs Representation in E-commerce》 《Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba》