推荐系统 10 大必读经典论文：构建完整知识体系
推荐系统已成为现代互联网产品的核心功能，从电商平台到视频网站，从社交媒体到新闻资讯，无处不在的个性化推荐极大提升了用户体验。Reco-papers 项目作为推荐系统领域的经典论文资源库，汇集了该领域最重要的研究成果。本文将带您深入了解其中 10 篇奠基性论文，帮助您构建完整的推荐系统知识体系。
一、协同过滤经典：开启个性化推荐时代
1. Using Collaborative Filtering to Weave an Information Tapestry
作为协同过滤技术的开山之作，这篇 1992 年的论文首次提出了基于用户兴趣相似性的推荐思想。它开创性地将'信息织锦'概念引入推荐系统，通过用户对物品的评价来发现相似用户群体，为后续的推荐算法奠定了理论基础。
2. Amazon Recommendations Item-to-Item Collaborative Filtering
亚马逊在 2003 年发表的这篇论文揭示了其核心推荐引擎的工作原理。不同于传统的用户协同过滤，亚马逊提出的 Item-to-Item 方法通过计算物品间的相似度来生成推荐，显著提升了系统的可扩展性和推荐质量，成为工业界广泛采用的推荐方案。
二、矩阵分解与嵌入技术：推荐系统的数学基石
3. Matrix Factorization Techniques for Recommender Systems
这篇来自雅虎的经典论文系统介绍了矩阵分解技术在推荐系统中的应用。通过将用户 - 物品评分矩阵分解为用户特征矩阵和物品特征矩阵，矩阵分解方法能够有效处理数据稀疏性问题，同时捕捉用户和物品的潜在特征，为现代推荐系统提供了强大的数学工具。
4. Word2Vec: Efficient Estimation of Word Representations in Vector Space
尽管最初是为自然语言处理设计，Word2Vec 提出的词嵌入技术深刻影响了推荐系统领域。它展示了如何通过神经网络学习高质量的向量表示，为后续的 Item2Vec 等推荐系统专用嵌入方法提供了灵感，极大推动了表示学习在推荐系统中的应用。
三、深度学习革命：推荐系统的神经网络时代
5. Neural Collaborative Filtering
新加坡国立大学于 2017 年提出的神经协同过滤模型，将深度学习与传统协同过滤相结合，通过多层神经网络学习用户和物品的非线性交互关系。这一创新方法打破了传统矩阵分解的线性假设，显著提升了推荐精度，开启了深度学习在推荐系统领域的广泛应用。
6. Wide & Deep Learning for Recommender Systems
谷歌提出的 Wide & Deep 模型创造性地将记忆能力（Wide 部分）和泛化能力（Deep 部分）结合起来。Wide 部分通过交叉特征捕捉显式知识，Deep 部分通过神经网络学习隐式模式，这种架构兼顾了推荐的准确性和多样性，已成为工业界推荐系统的标准架构之一。
7. Deep Interest Network for Click-Through Rate Prediction
阿里巴巴提出的深度兴趣网络 (DIN) 首次将注意力机制引入推荐系统，能够动态捕捉用户的多样化兴趣。通过设计兴趣激活单元，DIN 可以根据目标物品自适应地从用户历史行为中选择相关的兴趣表示，显著提升了点击率预测的准确性，尤其适用于电商场景。
四、工业界实践：从理论到落地的桥梁
8. Deep Neural Networks for YouTube Recommendations
YouTube 的这篇论文详细介绍了其大规模推荐系统的架构，包括候选生成和精排两个阶段。该系统每天处理数十亿次推荐请求，通过深度神经网络学习用户的长期兴趣和短期意图，展示了如何将深度学习技术应用于超大规模的工业级推荐场景。
