Past, Present, and Future of Recommender Systems: An Industry Perspective
這篇論文回顧推薦系統的演進歷程，業界如何應對規模、效率與個人化的挑戰。
2021
AutoML: A Survey of the State-of-the-Art
https://arxiv.org/abs/1908.00709
Abstract
We introduce AutoML methods according to the pipeline, covering data preparation, feature engineering, hyperparameter optimization, and neural architecture search (NAS). We focus more on NAS, as it is currently very hot sub-topic of AutoML.
Collaborative Filtering with Temporal Dynamics
https://doi.org/10.1145/1721654.1721677
顧客對產品的偏好會隨時間變化，產品的熱度也可能因新商品出現而波動。這些變化促使推薦系統必須考慮時間動態，才能準確預測使用者行為。
然而，要在實際的推薦環境中建模時間變化並不容易。使用者與產品的行為關係複雜，且會隨著時間緩慢或劇烈變動，許多變化相互影響，並且往往只與特定資料實例相關。
傳統的 time-window 或 decay 方法難以捕捉這些細微變化，因為它們在捨棄資料時，常會丟失有用的訊號。因此，我們需要一種能更靈敏辨識「短期變化（transient effects）」與「長期偏好（long-term patterns）」的方法。
論文提出一種模型，能在不捨棄資料實例的情況下，有效追蹤使用者行為隨時間的變化。藉由區分與建模不同時間尺度上的模式，這種方法能全面利用資料中的時間訊號，提升推薦的準確性與解釋力。
DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
https://www.ijcai.org/Proceedings/2017/0239.pdf
結合Factor Machine 和 DNN 的 CTR 預測模型。
直接輸入原始資料, 不需要特徵工程, 且能同時學習高階和低階的特徵交互。
Dynamic Item-Based Recommendation Algorithm with Time Decay
https://doi.org/10.1109/ICNC.2010.5582899
ABSTRACTION
根據過往推薦系統方法主要著重在CF上。而經驗上itemCF的推薦效果優於userCF。
在這篇論文，作者將time decay概念加入在item-item相似度計算裡，並且用3種time decay function比較推薦效果。最後實驗證明加入time decay的算法能有更加的推薦效果。
Machine Learning and Deep Learning frameworks and libraries for large-scale data mining: a survey
https://doi.org/10.1007/s10462-018-09679-z
Published online: 19 January 2019
Twitter/KirkDBorne 推薦
有助於了解目前ML/DL的框架進展,優缺點.
MLOps: Operationalizing Data Science
https://www.oreilly.com/library/view/ml-ops-operationalizing/9781492074663/
Released April 2020
Build,Management -> 可類比 mlflow tracking, models Deploy and Integration -> 可類比 如何交付以及如何使用 Monitor -> 可類比 監測模型表現以及未來真實環境的改變
Tensorflow2 如何實現 NCF
整理Tensorflow2實現 NCF 的Python code.
初探 Kaniko：在 Kubernetes 內安全建構 Docker 映像檔
能不能直接在 Kubernetes 叢集裡自動建構 Docker 映像檔，卻又不想在每個節點安裝 Docker Daemon？或許可以嘗試使用 Kaniko!