1.开篇词
开篇词 _ 用知识去对抗技术不平等
10.工程篇 · 常见架构
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
10.工程篇·常见架构
11.工程篇 · 常见模块
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
11.工程篇·常见模块
12.工程篇 · 效果保证
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
12.工程篇·效果保证
13.产品篇
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
14.结束语与参考阅读
加餐 _ 推荐系统的参考阅读
结束语 _ 遇“荐”之后，江湖再见
2.概念篇
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
3.原理篇 · 内容推荐
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
3.原理篇·内容推荐
4.原理篇 · 近邻推荐
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
4.原理篇·近邻推荐
5.原理篇 · 矩阵分解
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
5.原理篇·矩阵分解
6.原理篇 · 模型融合
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
6.原理篇·模型融合
7.原理篇 · MAB问题
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
7.原理篇·MAB问题
8.原理篇 · 深度学习
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
8.原理篇·深度学习
9.原理篇 · 其他应用算法
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
9.原理篇·其他应用算法
评论0