mirror of
https://github.com/cheetahlou/CategoryResourceRepost.git
synced 2026-05-11 04:04:34 +08:00
del
This commit is contained in:
louzefeng
614
极客时间专栏/geek/推荐系统三十六式/结束语与参考阅读/加餐 | 推荐系统的参考阅读.md
Normal file
614
极客时间专栏/geek/推荐系统三十六式/结束语与参考阅读/加餐 | 推荐系统的参考阅读.md
Normal file
@@ -0,0 +1,614 @@
|
||||
<audio id="audio" title="加餐 | 推荐系统的参考阅读" controls="" preload="none"><source id="mp3" src="https://static001.geekbang.org/resource/audio/51/db/5167fdb87e3a5450b0455d9c7acdf3db.mp3"></audio>
|
||||
|
||||
专栏主体内容已经结束了，在专栏写作的过程中，我阅读了很多业界公开的资料，我觉得有必要整理出来，供想深入阅读的人继续去找虐。
|
||||
|
||||
整体来说，在选择参考文献时，我偏爱那些由公司发表的。因为推荐系统本质上还是一种非常依赖实践的算法应用方向，并且，这些商业公司论文中的技术内容也在他们实际的场景中经过了检验。
|
||||
|
||||
另外，更多的内容是来自我自己的大脑中，所以我在下面列出来的只是一部分，在经过反复删减之后，保留了这些，有中文有英文，一般来说英文居多。有较理论化的，如优化理论，更多的是较实践派，可以学完即用。这些资料分成这么几个类型。
|
||||
|
||||
1. 论文：以论文形式发表的，期刊数据库中可以下载到。
|
||||
1. 网络文章：就是在网上自由流传的内容或者博客，为了方便阅读，我将它们保存为PDF格式。
|
||||
1. 演示文稿：就是作者曾公开演讲过的内容，相对来说不是那么严谨，但是更容易理解。
|
||||
1. 书：推荐系统相关的书较少，我在专栏中参考过的书只有一本（附件中不提供书的电子文档）。
|
||||
|
||||
以上的参考文献我按照章节顺序列在了下面，我还在后面附上一个推荐书单。你可以点击查看。
|
||||
|
||||
## 原理篇
|
||||
|
||||
## 1.内容推荐
|
||||
|
||||
<li>
|
||||
<h3>题目：Bag of Tricks for Efficient Text Classification</h3>
|
||||
</li>
|
||||
|
||||
### **类型**：论文
|
||||
|
||||
### **作者**：Facebook
|
||||
|
||||
### **说明**：
|
||||
|
||||
Facebook开源的文本处理工具fastText背后原理。可以训练词嵌入向量，文本多分类，效率和线性模型一样，效果和深度学习一样，值得拥有。
|
||||
|
||||
<li>
|
||||
<h3>**题目**：The Learning Behind Gmail Priority Inbox</h3>
|
||||
</li>
|
||||
|
||||
### **类型**：论文
|
||||
|
||||
### **作者**：Google
|
||||
|
||||
### **说明**：
|
||||
|
||||
介绍了一种基于文本和行为给用户建模的思路，是信息流推荐的早期探索，Gmail智能邮箱背后的原理。
|
||||
|
||||
<li>
|
||||
<h3>**题目**：Recommender Systems Handbook(第三章，第九章)</h3>
|
||||
</li>
|
||||
|
||||
### **类型**：书
|
||||
|
||||
### **作者**：Francesco Ricci等
|
||||
|
||||
### **说明**：
|
||||
|
||||
这本书收录了推荐系统很多经典论文，话题涵盖非常广，第三章专门讲内容推荐的基本原理，第九章是一个具体的基于内容推荐系统的案例。
|
||||
|
||||
<li>
|
||||
<h3>**题目**：文本上的算法</h3>
|
||||
</li>
|
||||
|
||||
### **类型**：网络文章(网络免费版，已有成书《文本上的算法:深入浅出自然语言处理》，内容更丰富)
|
||||
|
||||
### **作者**：路彦雄
|
||||
|
||||
### **说明**：
|
||||
|
||||
介绍了文本挖掘中常用的算法，及基础概念。内容涉及概率论，信息论，文本分类，聚类，深度学习，推荐系统等。
|
||||
|
||||
<li>
|
||||
<h3>题目：LDA数学八卦</h3>
|
||||
</li>
|
||||
|
||||
### 类型：网络文章
|
||||
|
||||
### 作者：Rickjin(@靳志辉)
|
||||
|
||||
### 说明：
|
||||
|
||||
由浅入深地讲解LDA原理，对于实际LDA工具的使用有非常大的帮助。
|
||||
|
||||
## 2.近邻推荐
|
||||
|
||||
<li>
|
||||
<h3>题目：Amazon.com recommendations: item-to-item collaborative filtering</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Amazon
|
||||
|
||||
### 说明：
|
||||
|
||||
介绍Amazon的推荐系统原理，主要是介绍Item-Based协同过滤算法。
|
||||
|
||||
<li>
|
||||
<h3>题目：Slope One Predictors for Online Rating-Based Collaborative Filtering</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Daniel Lemire等
|
||||
|
||||
### 说明：
|
||||
|
||||
Slope One算法。
|
||||
|
||||
<li>
|
||||
<h3>题目：Item-Based Collaborative Filtering Recommendation Algorithms</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Badrul Sarwar等
|
||||
|
||||
### 说明：
|
||||
|
||||
GroupLens的研究团队对比了不同的Item-to-Item的推荐算法。
|
||||
|
||||
<li>
|
||||
<h3>题目：Collaborative Recommendations Using Item-to-Item Similarity Mappings</h3>
|
||||
</li>
|
||||
|
||||
### 类型：专利
|
||||
|
||||
### 作者：Amazon
|
||||
|
||||
### 说明：
|
||||
|
||||
是的，Amazon申请了Item-Based算法的专利，所以如果在美上市企业，小心用这个算法。
|
||||
|
||||
<li>
|
||||
<h3>题目：Recommender Systems Handbook（第4章）</h3>
|
||||
</li>
|
||||
|
||||
### 类型：书
|
||||
|
||||
### 作者：Francesco Ricci等
|
||||
|
||||
### 说明：
|
||||
|
||||
第四章综述性地讲了近邻推荐，也就是基础协同过滤算法。
|
||||
|
||||
## 3.矩阵分解
|
||||
|
||||
<li>
|
||||
<h3>题目：Matrix Factorization and Collaborative Filtering</h3>
|
||||
</li>
|
||||
|
||||
### 类型：演示文稿
|
||||
|
||||
### 作者：Daryl Lim
|
||||
|
||||
### 说明：
|
||||
|
||||
从PCA这种传统的数据降维方法讲起，综述了矩阵分解和协同过滤算法。矩阵分解也是一种降维方法。
|
||||
|
||||
<li>
|
||||
<h3>题目：Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Yehuda Koren
|
||||
|
||||
### 说明：
|
||||
|
||||
把矩阵分解和近邻模型融合在一起。
|
||||
|
||||
<li>
|
||||
<h3>题目：BPR- Bayesian Personalized Ranking from Implicit Feedback</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Steffen Rendle等
|
||||
|
||||
### 说明：
|
||||
|
||||
更关注推荐结果的排序好坏，而不是评分预测精度，那么BPR模型可能是首选，本篇是出处。
|
||||
|
||||
<li>
|
||||
<h3>题目：Collaborative Filtering for Implicit Feedback Datasets</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Yifan Hu等
|
||||
|
||||
### 说明：
|
||||
|
||||
不同于通常矩阵分解处理的都是评分数据这样的显式反馈，本文介绍一种处理点击等隐式反馈数据的矩阵分解模型。
|
||||
|
||||
<li>
|
||||
<h3>题目：Matrix Factorization Techniques For Recommender Systems</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Yehuda Koren等
|
||||
|
||||
### 说明：
|
||||
|
||||
本文是大神Yehuda Koren对矩阵分解在推荐系统中的应用做的一个普及性介绍，值得一读。
|
||||
|
||||
<li>
|
||||
<h3>题目：The BellKor Solution to the Netflix Grand Prize</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Yehuda Koren
|
||||
|
||||
### 说明：
|
||||
|
||||
也是一篇综述，或者说教程，针对Netflix Prize的。
|
||||
|
||||
## 4.模型融合
|
||||
|
||||
<li>
|
||||
<h3>题目：Adaptive Bound Optimization for Online Convex Optimization</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Google
|
||||
|
||||
### 说明：
|
||||
|
||||
FTRL是CTR预估常用的优化算法，本文介绍FTRL算法原理。
|
||||
|
||||
<li>
|
||||
<h3>题目：在线最优化求解</h3>
|
||||
</li>
|
||||
|
||||
### 类型：网络文章
|
||||
|
||||
### 作者：冯扬
|
||||
|
||||
### 说明：
|
||||
|
||||
是对FTRL的通俗版解说。
|
||||
|
||||
<li>
|
||||
<h3>题目：Ad Click Prediction: a View from the Trenches</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Google
|
||||
|
||||
### 说明：
|
||||
|
||||
FTRL工程实现解读。
|
||||
|
||||
<li>
|
||||
<h3>题目：Factorization Machines</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Steffen Rendle
|
||||
|
||||
### 说明：
|
||||
|
||||
提出FM模型的论文，FM用于CTR预估。
|
||||
|
||||
<li>
|
||||
<h3>题目：Field-aware Factorization Machines for CTR Prediction</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Yuchin Juan
|
||||
|
||||
### 说明：
|
||||
|
||||
FFM模型，用于CTR预估。
|
||||
|
||||
<li>
|
||||
<h3>题目：Practical Lessons from Predicting Clicks on Ads at Facebook</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 说明：
|
||||
|
||||
提出了LR + GBDT的CTR预估模型。
|
||||
|
||||
<li>
|
||||
<h3>题目：Wide & Deep Learning for Recommender Systems</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Google
|
||||
|
||||
### 说明：
|
||||
|
||||
提出融合深度和宽度模型的Wide&Deep模型，用于CTR预估。
|
||||
|
||||
## 5.Bandit算法
|
||||
|
||||
<li>
|
||||
<h3>题目：Introduction to Bandits- Algorithms and Theory Part 1- Bandits with small sets of actions</h3>
|
||||
</li>
|
||||
|
||||
### 类型：演示文稿
|
||||
|
||||
### 作者：Jean-Yves Audibert等
|
||||
|
||||
### 说明：
|
||||
|
||||
介绍bandit算法概念，理论和算法，这部分主要针对小的选项候选集。
|
||||
|
||||
<li>
|
||||
<h3>题目：Introduction to Bandits- Algorithms and Theory Part 2- Bandits with large sets of actions</h3>
|
||||
</li>
|
||||
|
||||
### 类型：演示文稿
|
||||
|
||||
### 作者：Jean-Yves Audibert等
|
||||
|
||||
### 说明：
|
||||
|
||||
介绍Bandit算法概念，理论和算法，这部分主要针对较大的选项候选集。
|
||||
|
||||
<li>
|
||||
<h3>题目：A Contextual-Bandit Approach to Personalized News Article Recommendation</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Yahoo
|
||||
|
||||
### 说明：
|
||||
|
||||
Linucb的原始论文，考虑上下文的Bandit算法。
|
||||
|
||||
<li>
|
||||
<h3>题目：Collaborative Filtering Bandits</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Shuai Li等
|
||||
|
||||
### 说明：
|
||||
|
||||
Bandit 算法与协同过滤结合，提出COFIBA算法。
|
||||
|
||||
## 6.深度学习
|
||||
|
||||
<li>
|
||||
<h3>题目：Deep Neural Networks for YouTube Recommendations</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Google
|
||||
|
||||
### 说明：
|
||||
|
||||
介绍YouTube视频推荐系统在深度神经网络上的尝试。能从中看到wide&deep模型的影子。
|
||||
|
||||
<li>
|
||||
<h3>题目：Efficient Estimation of Word Representations in Vector Space</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Google
|
||||
|
||||
### 说明：
|
||||
|
||||
Word2Vec的作者在这篇文章中提出了一种词嵌入向量学习方法，也就是把开源工具包Word2Vec背后的模型详细介绍了一次。理论上很简单，更多是一些工程技巧的分享。Word2Vec给推荐系统带来了一种新的隐因子向量学习方法，深陷评分预测泥潭的矩阵分解被开拓了思路。
|
||||
|
||||
<li>
|
||||
<h3>题目：Item2Vec: Neural Item Embedding for Collaborative Filtering</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Microsoft
|
||||
|
||||
### 说明：
|
||||
|
||||
这篇就是借鉴了word2vec在语言建模中的思路，为推荐系统的行为建模，从中为物品学习嵌入向量。
|
||||
|
||||
<li>
|
||||
<h3>题目：Learning Representations of Text using Neural Networks</h3>
|
||||
</li>
|
||||
|
||||
### 类型：演示文稿
|
||||
|
||||
### 作者：Google
|
||||
|
||||
### 说明：
|
||||
|
||||
理解为word2vec作者写一个教程。
|
||||
|
||||
<li>
|
||||
<h3>题目：Long Short-Term Memory</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Sepp Hochreiter等
|
||||
|
||||
### 说明：
|
||||
|
||||
可以用来为序列建模的LSTM，实际上在1997年就发表论文了，只是在十几年后才大火。
|
||||
|
||||
<li>
|
||||
<h3>题目：An Empirical Exploration of Recurrent Network Architectures</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Google
|
||||
|
||||
### 说明：
|
||||
|
||||
Google在RNN模型使用上的经验分享。
|
||||
|
||||
<li>
|
||||
<h3>题目：Recurrent Neural Networks for Collaborative Filtering</h3>
|
||||
</li>
|
||||
|
||||
### 类型：网络文章
|
||||
|
||||
### 作者：Erik Bernhardsson
|
||||
|
||||
### 说明：
|
||||
|
||||
这是Erik Bernhardsson在Spotify期间所做的尝试，用RNN自动构建音乐播单。Erik Bernhardsson还有一项开源项目Annoy，用于稠密向量的近邻搜索，在推荐系统中也用得较多。
|
||||
|
||||
## 7.其他实用算法
|
||||
|
||||
<li>
|
||||
<h3>题目：Detecting Near-Duplicates for Web Crawling</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Google
|
||||
|
||||
### 说明：
|
||||
|
||||
在这篇论文中提出了simhash算法，用于大规模网页去重。
|
||||
|
||||
<li>
|
||||
<h3>题目：Weighted Random Sampling over Data Streams</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Pavlos S. Efraimidis
|
||||
|
||||
### 说明：
|
||||
|
||||
对流式数据的加权采样。
|
||||
|
||||
<li>
|
||||
<h3>题目：Weighted Sampling Without Replacement from Data Streams</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文：
|
||||
|
||||
### 作者：Vladimir Braverman等
|
||||
|
||||
### 说明：
|
||||
|
||||
介绍了两种对流式数据的加权采样。
|
||||
|
||||
## 工程篇
|
||||
|
||||
## 1.常见架构
|
||||
|
||||
<li>
|
||||
<h3>题目：Activity Feeds Architecture</h3>
|
||||
</li>
|
||||
|
||||
### 类型：演示文稿
|
||||
|
||||
### 作者：Etsy
|
||||
|
||||
### 说明：
|
||||
|
||||
本文非常详细地介绍了社交动态信息流的架构设计细节。
|
||||
|
||||
<li>
|
||||
<h3>题目：Atom Activity Streams 1.0</h3>
|
||||
</li>
|
||||
|
||||
### 类型：规范文档
|
||||
|
||||
### 作者：Activity Streams Working Group
|
||||
|
||||
### 说明：
|
||||
|
||||
这是一份动态信息流数据模型的协议规范文档，由Activity Streams Working Group共同发出，这个组织包含Google和Microsoft。
|
||||
|
||||
<li>
|
||||
<h3>题目：Beyond the 5 stars（Netflix Recommendations）</h3>
|
||||
</li>
|
||||
|
||||
### 类型：网络文章
|
||||
|
||||
### 作者：Netflix
|
||||
|
||||
### 说明：
|
||||
|
||||
Netflix详细宏观上介绍了自家推荐系统的产品形态，不只是比赛中的评分预测那么简单的。
|
||||
|
||||
<li>
|
||||
<h3>题目：System Architectures for Personalization and Recommendation</h3>
|
||||
</li>
|
||||
|
||||
### 类型：网络文章
|
||||
|
||||
### 作者：Netflix
|
||||
|
||||
### 说明：
|
||||
|
||||
Netflix 推荐系统的架构介绍。
|
||||
|
||||
<li>
|
||||
<h3>题目：Information Seeking-Convergence of Search, Recommendations and Advertising</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：H Garcia-Molina等
|
||||
|
||||
### 说明：
|
||||
|
||||
探讨搜索、推荐、广告三者架构统一。
|
||||
|
||||
## 2.关键模块
|
||||
|
||||
<li>
|
||||
<h3>题目：Overlapping Experiment Infrastructure- More, Better, Faster Experimentation</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：Google
|
||||
|
||||
### 说明：
|
||||
|
||||
ABTest实验平台的扛鼎之作，Google出品，值得拥有。
|
||||
|
||||
<li>
|
||||
<h3>题目：TencentRec：Real-time Stream Recommendation in Practice</h3>
|
||||
</li>
|
||||
|
||||
### 类型：论文
|
||||
|
||||
### 作者：腾讯
|
||||
|
||||
### 说明：
|
||||
|
||||
介绍了腾讯内部的实时推荐系统架构。
|
||||
|
||||
<li>
|
||||
<h3>题目：Personalization at Spotify using Cassandra</h3>
|
||||
</li>
|
||||
|
||||
### 类型：网络文章
|
||||
|
||||
### 作者：Spotify
|
||||
|
||||
### 说明：
|
||||
|
||||
介绍了Spotify在推荐系统所用到的数据存储中间件。
|
||||
|
||||
## 3.效果保证
|
||||
|
||||
<li>
|
||||
<h3>题目：Tutorial on Robustness of Recommender Systems</h3>
|
||||
</li>
|
||||
|
||||
### 类型：演示文稿
|
||||
|
||||
### 作者：Neil Hurley
|
||||
|
||||
### 说明：
|
||||
|
||||
本文非常详细讨论了对推荐系统的攻击和防护，并有实验模拟。
|
||||
|
||||
<li>
|
||||
<h3>题目：Recommender Systems Handbook(第八章)</h3>
|
||||
</li>
|
||||
|
||||
### 类型：书
|
||||
|
||||
### 作者：Francesco Ricci等
|
||||
|
||||
### 说明：
|
||||
|
||||
该书第八章介绍了能见到的几乎所有推荐系统评价指标，只是实际上用不到这么多指标。
|
||||
|
||||
## 其他书目
|
||||
|
||||
1. Pattern Recognization and Machine Learning（机器学习基础，有此一本足够了）。
|
||||
1. 推荐系统实践（国内唯一一本非翻译的推荐系统书籍，入门必选）。
|
||||
1. 信号与噪声（介绍贝叶斯统计的一本科普书）。
|
||||
1. 复杂（推荐系统面对的是复杂网络，了解复杂系统和复杂网络的特点，有助于开脑洞）。
|
||||
1. 信息简史（既然是信息经济，当然要读一本关于信息的历史）。
|
||||
|
||||
知道你们不会读的，所以就不推荐太多了。但愿我这个激将法有助于你学习进步。
|
||||
|
||||
### 打包资料地址
|
||||
|
||||
[https://github.com/xingwudao/36](https://github.com/xingwudao/36)
|
||||
57
极客时间专栏/geek/推荐系统三十六式/结束语与参考阅读/结束语 | 遇“荐”之后，江湖再见.md
Normal file
57
极客时间专栏/geek/推荐系统三十六式/结束语与参考阅读/结束语 | 遇“荐”之后，江湖再见.md
Normal file
@@ -0,0 +1,57 @@
|
||||
<audio id="audio" title="结束语 | 遇“荐”之后，江湖再见" controls="" preload="none"><source id="mp3" src="https://static001.geekbang.org/resource/audio/28/06/28cdb5b690806d53e094db434dc17706.mp3"></audio>
|
||||
|
||||
<img src="https://static001.geekbang.org/resource/image/84/55/849fcdc9afe5529ba77e3b0e2ec07c55.jpg" alt="">
|
||||
|
||||
好了，专栏终于写完了，所以我可以承认了：写专栏的过程还是很痛苦的。
|
||||
|
||||
如果要说整个过程中的一些感悟和心路，那就概括为三个“如”字吧。这三个“如”字，是三种痛苦，同时，也是三种收获。
|
||||
|
||||
## 如相问，写专栏
|
||||
|
||||
开始写专栏的时候也刚好是我入职贝壳找房（原链家网）的前后。这几年在小公司自由折腾惯了的我，需要突然适应成熟公司的一板一眼和部门合作，还有接踵而来的各种工作计划，都足以让人有点力不从心。
|
||||
|
||||
结果，专栏上线后的第一周，编辑就告诉我每周需要更新三篇，无论她当时是以多么轻松的口吻描述这个事实，我内心都是崩溃的，这不是鸡汤文，不是情感专栏，是硬朗的技术干货。
|
||||
|
||||
那还能怎么办？当然是选择原谅他们啊。所以，从写专栏的第一篇开始，我几乎无休地写了三个月，当然，注意这里我很有心机地写的是“几乎”。
|
||||
|
||||
这是身体消耗的辛苦，之后呢？却也让我遇见了另一个自己，持续的高强度写作，让我更加注意精力分配，也比以前更加地自律。这主要得益于Lizzi定期问我“这周作业写完没有”，让我仿佛回到小学，还有编辑也经常时不时地问候我“什么时候交稿”，令我不敢怠慢。
|
||||
|
||||
回望这三个月，真的是：洛阳亲友如相问，就说我在写专栏。
|
||||
|
||||
## 如来故，不负卿
|
||||
|
||||
写专栏以来，就有两个声音在内心互相叫骂。
|
||||
|
||||
这一边是要警惕那些博客写得好的工程师啊，不务正业。这个声音源自微信之父，感兴趣的人可以去搜一下原话。
|
||||
|
||||
那一边是一些早已是业界常识的算法或技术，很多人竟然第一次听说，或者还从没弄懂过，这就真的很需要有人助一臂之力了。
|
||||
|
||||
前面那个声音让我一度怀疑自己是否真的不务正业，后面那个声音时常鞭策我笔耕不辍。
|
||||
|
||||
两个声音每天都在对话，结果谁赢了呢，你猜？当然是后者，不然也不会有这个专栏了，这也是开设这个专栏的初心：填平知识的鸿沟，消除知识的信息不对称。
|
||||
|
||||
这是内心挣扎的痛苦，无法两全。任何事情，总是应该看待它的价值和闪光点，而不是盯着它的不足和负面。
|
||||
|
||||
对于写作这件事亦是如此，有价值，我喜欢，就可以开始，虽然曾经也有身边人对我投来不屑和嗤之以鼻的表情，令我一度深深地怀疑过自己的选择。
|
||||
|
||||
今天，写完这个专栏之际，我感觉到前所未有的成就感，因为过程中不断收到订阅者的反馈，大家的反馈让我坚信自己初心的正确，也让我庆幸自己没有因为别人的看法而改变自己的内心所向。
|
||||
|
||||
“世间安得两全法，不负如来不负卿。”选择有价值的方向，并沿着它勇往直前。
|
||||
|
||||
## 如临渊，如履冰
|
||||
|
||||
工作以来，我也持续在一些渠道零碎地分享东西，这一次写专栏很不同，因为大家都是付费阅读。这让我时常处于如履薄冰的心态中，非常害怕自己输出的东西不好，质量对不起别人付出的软妹币和阅读时间，如果订阅者觉得不爽还要付出一定的负面情绪来diss我，那我的罪过就十分大了。
|
||||
|
||||
这种不放心，令我时常表现为拖延症：每一篇迟迟不能开始写，总觉得准备得不够，直到Deadline施施然地走来，我才硬着头皮开始落笔。总觉得自己没有写太好，就这样念叨着，写到了最后一篇。
|
||||
|
||||
写完最后一篇之后，我写了个Python程序统计全部字数，将近十五万字，着实把我自己吓了一跳，万万没想到，我原来是这样的能说。
|
||||
|
||||
这是一种战战兢兢的痛苦。但也是一种心怀敬畏的力量，这种力量，让我能在深渊旁边安全前行、在薄冰上也能站稳。
|
||||
|
||||
深渊凝视着我，我也凝视着深渊，深渊就在那，我也就在那，和谐地共处天地间。
|
||||
|
||||
敬畏会带来质量，敬畏会带来价值。敬畏你的行业，敬畏你的服务对象，敬畏你所要解决的问题，这个世界也许会变得更好一点。
|
||||
|
||||
如临深渊，如履薄冰，心若是存有敬畏，冰只会被春天融化。
|
||||
|
||||
好了，专栏结束了，但交流并不会就此终止，我们仍然可以一起交流与分享，山高水远，我们江湖再见。
|
||||
14
极客时间专栏/geek/推荐系统三十六式/结束语与参考阅读/结课测试 | 推荐系统的这些知识，你都掌握了吗？.md
Normal file
14
极客时间专栏/geek/推荐系统三十六式/结束语与参考阅读/结课测试 | 推荐系统的这些知识，你都掌握了吗？.md
Normal file
@@ -0,0 +1,14 @@
|
||||
|
||||
你好，我是刑无刀。
|
||||
|
||||
现在呢，咱们的课程结束了，恭喜你顺利学完《推荐系统三十六式》中所有的内容，不知道你掌握的怎么样呢？
|
||||
|
||||
我为你准备了一套结课测试题。它是对你课程学习效果的一个检验，你也可以把它作为一个对于课程的系统性回顾。
|
||||
|
||||
我们的测试题目一共包括 10道单项选择题，满分 100 分。
|
||||
|
||||
当你完成测试以后，也可以看到我为你附上的参考答案和题目解析，希望能够帮助到你。
|
||||
|
||||
好了，请开始你的测试吧。加油！
|
||||
|
||||
[<img src="https://static001.geekbang.org/resource/image/00/06/00244430e720d587a1f30c84a77a1306.png" alt="">](http://time.geekbang.org/quiz/intro?act_id=193&exam_id=472)
|
||||
Reference in New Issue
Block a user