极客时间已完结课程限时免费阅读

深度学习推荐系统实战

开篇词 | 从0开始搭建一个深度学习推荐系统

01 | 技术架构:深度学习推荐系统的经典技术架构长啥样?

02 | Sparrow RecSys:我们要实现什么样的推荐系统?

03 | 深度学习基础:你打牢深度学习知识的地基了吗?

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

国庆策划 | 深度学习推荐系统基础,你掌握了多少?

04 | 特征工程:推荐系统有哪些可供利用的特征?

05 | 特征处理:如何利用Spark解决特征处理问题?

06 | Embedding基础:所有人都在谈的Embedding技术到底是什么?

07 | Embedding进阶:如何利用图结构数据生成Graph Embedding?

08 | Embedding实战:如何使用Spark生成Item2vec和Graph Embedding?

答疑 | 基础架构篇+特征工程篇常见问题解答

09 | 线上服务:如何在线上提供高并发的推荐服务?

10 | 存储模块:如何用Redis解决推荐系统特征的存储问题?

11 | 召回层:如何快速又准确地筛选掉不相关物品?

12 | 局部敏感哈希:如何在常数时间内搜索Embedding最近邻?

13 | 模型服务:怎样把你的离线模型部署到线上?

14 | 融会贯通:Sparrow RecSys中的电影相似推荐功能是如何实现的?

答疑 | 线上服务篇留言问题详解

15 | 协同过滤:最经典的推荐模型,我们应该掌握什么?

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?

模型实战准备(一) | TensorFlow入门和环境配置

模型实战准备(二) | 模型特征、训练样本的处理

17 | Embedding+MLP:如何用TensorFlow实现经典的深度学习模型?

18|Wide&Deep:怎样让你的模型既有想象力又有记忆力?

19|NeuralCF:如何用深度学习改造协同过滤?

20 | DeepFM:如何让你的模型更好地处理特征交叉?

21|注意力机制、兴趣演化:推荐系统如何抓住用户的心?

22|强化学习:让推荐系统像智能机器人一样自主学习

特别加餐 | “银弹”不可靠,最优的模型结构该怎么找?

23| 实战:如何用深度学习模型实现Sparrow RecSys的个性化推荐功能?

24 | 离线评估:常用的推荐系统离线评估方法有哪些?

25 | 评估指标:我们可以用哪些指标来衡量模型的好坏?

特别加餐|TensorFlow的模型离线评估实践怎么做?

26 | 在线测试:如何在推荐服务器内部实现A/B测试?

27 | 评估体系:如何解决A/B测试资源紧张的窘境?

28 | 业界经典:YouTube深度学习推荐系统的经典架构长什么样?

29 | 图神经网络:Pinterest是如何应用图神经网络的?

30 | 流处理平台:Flink是如何快速识别用户兴趣,实现实时推荐的?

31|模型迭代:阿里巴巴是如何迭代更新推荐模型的?

32 | 强化学习案例:美团是如何在推荐系统中落地强化学习的?

33|技术权衡:解决方案这么多,哪个最合适?

结束语|深度学习时代需要什么样的推荐工程师?

期末考试 | “深度学习推荐系统”100分试卷等你来挑战!