17 | Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？
模型实战准备（二） | 模型特征、训练样本的处理
模型实战准备（一） | TensorFlow入门和环境配置
16 | 深度学习革命：深度学习推荐模型发展的整体脉络是怎样的？
15 | 协同过滤：最经典的推荐模型，我们应该掌握什么？
答疑 | 线上服务篇留言问题详解
14 | 融会贯通：Sparrow RecSys中的电影相似推荐功能是如何实现的？
13 | 模型服务：怎样把你的离线模型部署到线上？
12 | 局部敏感哈希：如何在常数时间内搜索Embedding最近邻？
11 | 召回层：如何快速又准确地筛选掉不相关物品？
10 | 存储模块：如何用Redis解决推荐系统特征的存储问题？
09 | 线上服务：如何在线上提供高并发的推荐服务？
答疑 | 基础架构篇+特征工程篇常见问题解答
08 | Embedding实战：如何使用Spark生成Item2vec和Graph Embedding？
07 | Embedding进阶：如何利用图结构数据生成Graph Embedding？
06 | Embedding基础：所有人都在谈的Embedding技术到底是什么？
05 | 特征处理：如何利用Spark解决特征处理问题？
04 | 特征工程：推荐系统有哪些可供利用的特征？
国庆策划 | 深度学习推荐系统基础，你掌握了多少？
国庆策划 | 关于深度学习推荐系统，我有这些资料想推荐给你