推荐系统三十六式 Feb 26, 2018 开篇词 | 用知识去对抗技术不平等 01 | 你真的需要个性化推荐系统吗? 02 | 个性化推荐系统有哪些绕不开的经典问题？ 03 | 这些你必须应该具备的思维模式 04 | 画鬼容易画人难：用户画像的“能”和“不能” 05 | 从文本到用户画像有多远 06 | 超越标签的内容推荐系统 07 | 人以群分，你是什么人就看到什么世界 08 | 解密“看了又看”和“买了又买” 09 | 协同过滤中的相似度计算方法有哪些 10 | 那些在Netflix Prize中大放异彩的推荐算法 11 | Facebook是怎么为十亿人互相推荐好友的 12 | 如果关注排序效果，那么这个模型可以帮到你 13 | 经典模型融合办法：线性模型和树模型的组合拳 14 | 一网打尽协同过滤、矩阵分解和线性模型 15 | 深度和宽度兼具的融合模型 Wide and Deep 16 | 简单却有效的Bandit算法 17 | 结合上下文信息的Bandit算法 18 | 如何将Bandit算法与协同过滤结合使用 19 | 深度学习在推荐系统中的应用有哪些? 20 | 用RNN构建个性化音乐播单 21 | 构建一个科学的排行榜体系 22 | 实用的加权采样算法 23 | 推荐候选池的去重策略 24 | 典型的信息流架构是什么样的 25 | Netflix个性化推荐架构 26 | 总览推荐架构和搜索、广告的关系 27 | 巧妇难为无米之炊：数据采集关键要素 28 | 让你的推荐系统反应更快：实时推荐 29 | 让数据驱动落地，你需要一个实验平台 30 | 推荐系统服务化、存储选型及API设计 31 | 推荐系统的测试方法及常用指标介绍 32 | 道高一尺魔高一丈：推荐系统的攻防 33 | 和推荐系统有关的开源工具及框架介绍 34 | 推荐系统在互联网产品商业链条中的地位 35 | 说说信息流的前世今生 36 | 组建推荐团队及工程师的学习路径 加餐 | 推荐系统的参考阅读 结束语 | 遇“荐”之后，江湖再见 结课测试 | 推荐系统的这些知识，你都掌握了吗？ ←赵成的运维体系管理课 深入浅出区块链→