JK-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

2.基础架构篇

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？

3.特征工程篇

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

4.线上服务篇

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

5.推荐模型篇

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？

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

18Wide&Deep：怎样让你的模型既有想象力又有记忆力？

19NeuralCF：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

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

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

特别加餐 _ “银弹”不可靠，最优的模型结构该怎么找？

6.模型评估篇

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？

B测试？

B测试资源紧张的窘境？

特别加餐TensorFlow的模型离线评估实践怎么做？

7.前沿拓展篇

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？

8.结束语

结束语深度学习时代需要什么样的推荐工程师？