此文档主要收集搜广推算法系列串讲文章 && 搜广推算法知识经典问答（不保证最新）
本文仅做资源收集，未引用具体内容，如有侵权，请联系删除。
由于内容过多，点击README.md左侧按钮可以查看详细目录
- 电商搜索系列
- 旺知识业界趋势
- 策略算法工程师之路
- 从0搭建推荐系统
- 推荐基础
- 如何在工业界优化点击率预估
- 推荐系统从零单排系列
- 广告预估
- 推荐系统架构与工程
- 推荐系统论文笔记
- 电商搜索如何让你买的又快又好
- 推荐算法工程师成长路径
- 推荐系统的发展
- 经典推荐算法学习
- 搜索推荐系统实战
- 推荐系统CTR预估学习路径
- 绝密伏击总结
- 推荐系统论文精读
- 深入理解推荐系统
- 推荐系统的各种类型
- 推荐系统与深度学习论文笔记
- 推荐系统技术演进趋势
- 搜索排序系列
- 搜广推相关问答-算法工程师成长类问答
- 搜广推相关问答-搜广推经验类问答
旺知识: 2022年推荐系统云服务对比调研与展望-阿里，字节，华为，腾讯，Amazon，Azure
旺访谈：搜索科研新人宝典-窦志成教授-人大高瓴人工智能学院副院长
旺知识：2022业界广告推荐技术最新进展与趋势-阿里、腾讯、字节、微软
如何在工业界优化点击率预估:（八）Debias&Loss&校准
推荐系统从零单排系列(一)--DNN for YouTube Recommendations
推荐系统从零单排系列(二)--Item-Based协同过滤算法
推荐系统从零单排系列(三)--再谈亚马逊Item-based推荐系统
推荐系统从零单排系列(四)—Word2Vec理论与实践(上)
推荐系统从零单排系列(五)—Word2Vec理论与实践(下)
推荐系统从零单排系列(六)—Word2Vec优化策略层次Softmax与负采样
推荐系统从零单排系列(七)--Airbnb实时个性化推荐之Embedding真的好用吗？
推荐系统（十三）阿里重排序算法：Personalized Re-ranking for Recommendation
经典推荐算法学习（一） | 从协同过滤CF到逻辑回归LR与因子分解机FM | 附FM python实现
经典推荐算法学习（二）| FFM模型的原理与Python实现
经典推荐算法学习（四）| 阿里LS-PLM（MLR）模型原理解析
经典推荐算法学习（五）| 前深度学习时代 推荐模型演化路径梳理
经典推荐算法学习（六）| Embedding技术理解及在推荐场景的应用举例（附Item2Vec PySpark实现）
经典推荐算法学习（七）| Graph Embedding技术学习 | 从DeepWalk到Node2vec、EGES | 附DeepWalk PySpark实现
经典推荐算法学习（八）| 主流深度推荐模型演化（上）|从Deep Crossing到Wide&Deep、DeepFM | 附模型TensorFlow代码实现
经典推荐算法学习（九）| 主流深度推荐模型演化（下）| 从DIN、DIEN到 MIMN、SIM | 附DIN、DIEN TensorFlow代码实现
经典推荐算法学习（十）| Youtube DNN serving目标解析 | 从odds到Logit 、Logistic Regression
经典推荐算法学习（十二）| 鱼和熊掌何以兼得？漫谈多目标学习在推荐系统中的妙用
推荐系统CTR预估学习路线：从LR到FM/FFM探索二阶特征的高效实现
【总结】推荐系统——精排篇【3】DIN/DIEN/BST/DSIN/MIMN/SIM/CAN
【总结】推荐系统——精排篇【2】WDL/DCN/DCN-v2
【总结】推荐系统——精排篇【1】FM/FFM/GBDT+LR/MLR
[论文精读]01—KDD2018Best Paper : Real-time Personalization using Embeddings for Search Ranking at Airbnb
[论文精读]02—KDD2020：Embedding-based Retrieval in Facebook Search
[论文精读]05—DIN (Deep Interest Network) ：当Attention 遇到推荐系统
[论文精读]06—DIEN (Deep Interest Evolution Network) ：GRU与DIN的强强组合
[论文精读]07—BST：Transformer在推荐领域的应用
[论文精读]09—BERT4Rec：NLP王者Bert在推荐领域的应用
[论文精读]10—PinnerSage：User Embedding的生成奥义
[论文精读]12—Airbnb搜索排序:从模型驱动到数据驱动的转变
[论文精读]13—召回模型(一) MIND网络：Capsules网络启发下的用户多兴趣向量表达
[论文精读]14—召回模型(二) SDM网络：长短期兴趣的提取与融合
[论文精读]15—召回模型(三) RALM：Attention机制下的实时Look-alike算法在微信看一看中的应用
[论文精读]16—CVR预估(上)：多任务全样本空间下的极简ESMM模型
[论文精读]17—CVR预估(下)：ESSM的ProMax版——点击后行为分解ESM²模型
[论文精读]18—PLE模型：RecSys2020 Best Paper 腾讯视频多任务个性化推荐
[论文精读]19—美团AITM：金融场景下的顺序依赖性多任务问题解决框架
[论文精读]20—百度MOBIUS：搜索广告系统下的召回层优化
《推荐系统》系列之二：学习预热冷启动物品ID embedding的方法用于冷启动推荐
推荐系统与深度学习(1): [第四范式 2020]NON：听说你们模型结构效果好，那就选择几个组合吧
推荐系统与深度学习(2):[阿里][CIKM 2020] 跨域混合兴趣模型MiNet
推荐系统与深度学习(3)：[WWW'18]认识一下带权重的FFM模型——FwFM
推荐系统与深度学习(4):[SINA 2019] SENet从CV到CTR=>FAT-DeepFFM
推荐系统与深度学习(5):能不能统一下CTR论文的评估标准呢？
推荐系统与深度学习(6):[华为 2019]FGCNN: 基于卷积神经网络的CTR特征生成方法
推荐系统与深度学习(7): [Yahoo] FMFM模型: FM|FwFM|FvFM的统一框架
推荐系统与深度学习(8): [Adobe] FEFM和DeepFEFM模型
推荐系统与深度学习(9): [IJCAI'19] IFM: 输入感知的FM模型
推荐系统与深度学习(10): [IJCAI'20] DIFM: 双重IFM模型
推荐系统与深度学习(11): 用于CTR预测的门控增强深度网络
推荐系统与深度学习(12): [京东 CIKM'20 short] CTR预估中的维度关联建模
推荐系统与深度学习(13): [华为 CIKM'21] EDCN： 基于信息共享的并行深度CTR模型
推荐系统与深度学习(14)[腾讯 SIGIR'20] TFNet: 多语义空间特征交互模型
推荐系统与深度学习(15)[阿里 WSDM'21] MIAN: 引入细粒度特征学习的多交互注意力网络
推荐系统与深度学习(16)[iQIYI CIKM'21 short] FINT: 域感知交互(Field-aware Interaction)网络
推荐系统与深度学习（17）[CIKM'21]DCAP: 深度交叉注意力乘积网络
推荐系统与深度学习（18）[CIKM'20 华为] 通过知识蒸馏来提升CTR模型的效果
推荐系统与深度学习（19）[SIGIR'21 清华] AutoPI：自动发现特征交互的通用方法
推荐系统与深度学习（20）[ICDE'22 北大] CL4SRec：基于对比学习的序列推荐
推荐系统与深度学习（21）[SIGIR'22 复旦]FRNet: 上下文感知的特征强化模块
推荐系统与深度学习（22）将网络结构搜索应用于点击率预测(CTR)模型的研究汇总分析
腾讯云智能钛机器学习平台：【技术分享】二：搜索排序—工业流程
腾讯云智能钛机器学习平台：【技术分享】三：搜索排序—机器学习化建模
腾讯云智能钛机器学习平台：【技术分享】四：搜索排序—数据的采集与构造
腾讯云智能钛机器学习平台：【技术分享】五：搜索排序-特征分析
腾讯云智能钛机器学习平台：【技术分享】六：搜索排序—指标介绍与选择
腾讯云智能钛机器学习平台：【技术分享】七：搜索排序—排序模型
为什么有些算法工程师从来不谈业务，不谈解决问题，不谈价值挖掘，开口闭口就是算法模型，炼丹调参工程化？
在大厂裁员浪潮下，算法工程师是否会因为没做出什么成果而更容易被裁？
算法工程师，一个业务做了一段时间之后，指标很难再有比较大的提升，这个时候要怎么办？
算法工程师如何应对做算法策略的不确定性；比如没效果，这时绩效怎么保证？
算法工程师如何应对做算法策略的不确定性；比如没效果，这时绩效怎么保证？
算法工程师如何应对做算法策略的不确定性；比如没效果，这时绩效怎么保证？
算法工程师如何应对做算法策略的不确定性；比如没效果，这时绩效怎么保证？
pairwise 的排序算法用于推荐系统的排序任务中为什么效果差于pointwise的ctr？
pairwise 的排序算法用于推荐系统的排序任务中为什么效果差于pointwise的ctr？
在电商搜索推荐排序中，将ctr和cvr分开建模，相比直接建模ctcvr的优势是什么？
在电商搜索推荐排序中，将ctr和cvr分开建模，相比直接建模ctcvr的优势是什么？
推荐系统，离线 AUC 涨了，线上 CTR 等效果没涨，可能有哪些原因？
推荐系统，离线 AUC 涨了，线上 CTR 等效果没涨，可能有哪些原因？
为什么在验证集和测试集上AUC都比较高，而实际预测效果AUC偏低？
auc说是用来判断排序模型好不好的指标，请问具体数值怎么看呢？越大越好吗？
CTR任务，问下把item_id进行embedding作为特征为什么会有效呢？
CTR任务，问下把item_id进行embedding作为特征为什么会有效呢？
推荐系统算法FM、FFM使用时，连续性特征，是直接作为输入，还是经过离散化后one-hot处理呢？
categorical 特征embedding 之后，和浮点数特征（scalar量）能一起直接拼接吗？
xgb还需要做特征工程吗，可以完全忽略共线性、缺失值的树模型，特征是否越多越好呢？
使用DNN训练神经网络模型时，如何知道每个特征的重要性（像xgboost模型能计算出特征重要性一样）？
推荐系统中的召回模块决定着推荐效果的上限，那么怎么评价召回模块做好了呢？
在推荐系统中，多路召回所谓的并发式，哪路recall数据先到，哪路就先进，这样是否科学？
为什么推荐系统召回阶段常建模为多分类，而排序阶段多建模为二分类？
为什么推荐系统召回阶段常建模为多分类，而排序阶段多建模为二分类？
推荐系统召回中 dssm 和 fm 各自的主要优劣势是什么？
推荐系统召回中 dssm 和 fm 各自的主要优劣势是什么？
为什么现在推荐系统喜欢用双塔模型？双塔模型相较于单塔有什么优缺点？
现在有哪些优秀的图像检索的近似最近邻方法？互联网公司落地使用的ANN算法有哪些？相关会议有哪些推荐？
机器学习中的负采样（negative sampling）方法在什么情况下有效，背后的原因是什么？
推荐精排中如何建模position bias？如何利用一些强bias特征，如”商品点击率“？
position-bias问题为什么将bias特征独立出来比较好呢？
推荐系统中，怎么找出那些没学好的User/Item Embedding？
推荐系统中，如何训练用户和推荐项的词向量，并且保证用户和推荐项是可以求距离的？
factorization machine和logistic regression的区别？
推荐系统中，精排模型之前加粗排小模型在哪些情况有必要，对整个系统来说它的优缺点有哪些？
为什么在实际的kaggle比赛中，GBDT和Random Forest效果非常好？
推荐系统中，精排模型之前加粗排小模型在哪些情况有必要，对整个系统来说它的优缺点有哪些？
请问有没有什么指标，或者从什么维度去评价一个推荐系统下（多个候选）所依赖的优质的视频物料库？
推荐系统的AB实验中，为什么会有“小流量占优”的说法？原理是什么？
在推荐系统中，用户的长短期兴趣：长期兴趣是多“长”；短期兴趣是多“短”，如何衡量其长短？
除了LR，FM（FFM）方法，CTR预测还有那些方法，应用较为广泛？
有人搞过离线CTR模型么，缓存每个user对每个item的打分，没缓存的item默认处理，靠谱吗？
ctr预估算法对于序列特征embedding可否做拼接，输入MLP?与pooling相比，优劣在哪？
深度ctr预估中id到embedding目前工业界主流是端到端直接学习还是预训练?
深度ctr预估中id到embedding目前工业界主流是端到端直接学习还是预训练?
都说数据是上限，推荐系统ctr模型中，构造正负样本有哪些实用的trick？