深度学习推荐系统实战 / 带你从0到1搭建工业级推荐系统

王喆
Roku推荐系统架构负责人,前hulu高级研究员,《深度学习推荐系统》作者
  • 课程目录
  • 课程介绍
  • 开篇词 | 从0开始搭建一个深度学习推荐系统

    2020年1月5日,距抖音上线仅3年多时间,抖音日活用户突破了4亿。这背后有着深度学习推荐系统的功劳。

  • 01 | 技术架构:深度学习推荐系统的经典技术架构长啥样?

    深度学习推荐系统的架构和传统推荐系统有什么区别?深度学习到底对推荐系统有着怎样的影响?

  • 02 | Sparrow RecSys:我们要实现什么样的推荐系统?

    “Talk is cheap. Show me the code.”这门课也一样,我希望与你一起从0实现一个推荐系统。

  • 03 | 深度学习基础:你打牢深度学习知识的地基了吗?

    无论是单个神经元,还是结构非常复杂的深度学习网络,在推荐系统场景下,它们都是用来预测用户对某个物品的感兴趣程度的。

  • 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

    你在推荐、广告、搜索这些相关领域学习的时候,有没有读过一些非常不错的技术书?今天,我想和你分享一些我认为不错的学习资料。

  • 国庆策划 | 深度学习推荐系统基础,你掌握了多少?

    国庆假期,我们来聊个轻松的话题。

  • 04 | 特征工程:推荐系统有哪些可供利用的特征?

    从这节课开始,我们来讲特征工程,说说到底什么是特征工程,构建特征工程的基本原则是什么,以及推荐系统中常用的特征有哪些。

  • 05 | 特征处理:如何利用Spark解决特征处理问题?

    像动作、喜剧、爱情、科幻这些电影风格,是怎么转换成数值供推荐模型使用的呢?用户的行为历史又是怎么转换成数值特征的呢?

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

    为什么我们总说Embedding在推荐系统领域非常重要?最经典的Embedding方法到底长啥样?

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

    随着越来越多的数据以图的形式展现出来,我们必须学会基于图结构数据生成Embedding的方法。

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

    今天,我就带你在Spark平台上,完成Item2vec和Graph Embedding的训练。

  • 答疑 | 基础架构篇+特征工程篇常见问题解答

    今天,我们一起来看一些关于深度学习推荐系统的高频问题及解析。

  • 09 | 线上服务:如何在线上提供高并发的推荐服务?

    线上服务是推荐系统中最关键的一个模块,但如果写得不好,不仅杂乱无章而且难以升级维护,今天我们一起来搭建线上推荐服务接口。

  • 10 | 存储模块:如何用Redis解决推荐系统特征的存储问题?

    在推荐系统这个大饭馆中,推荐系统特征的存储和获取过程,就是把准备好的配料和食材传给厨师的过程。今天,我们一起来看看。

  • 11 | 召回层:如何快速又准确地筛选掉不相关物品?

    如果你是一名快手的推荐工程师,你的任务是从500万个候选短视频中,为一名用户推荐10个他最感兴趣的。你会怎么做?

  • 12 | 局部敏感哈希:如何在常数时间内搜索Embedding最近邻?

    在面对百万甚至更高量级的候选集时,线性地逐一计算Embedding间的相似度,往往会造成极大的服务延迟,这该怎么办呢?

  • 13 | 模型服务:怎样把你的离线模型部署到线上?

    模型服务的方法五花八门,你知道业界主流的模型服务方法有哪些吗?我们又该如何选择呢?

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

    今天,我带你从头到尾地实现一个完整的推荐功能,**相似电影推荐**,帮助你打通推荐系统的“任督二脉”。

  • 答疑 | 线上服务篇留言问题详解

    今天,我和你聊聊线上服务篇的留言问题。

  • 15 | 协同过滤:最经典的推荐模型,我们应该掌握什么?

    协同过滤算法可能是推荐系统自诞生以来最经典的算法。这节课,我就带你聊聊经典协同过滤及其衍生模型矩阵分解的原理。

  • 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?

    深度学习推荐模型这么多,发展这么快,我们该学哪个,怎么学呢?今天,我带你来看看深度学习推荐模型的演化关系图。

  • 模型实战准备(一) | TensorFlow入门和环境配置

    TensorFlow会成为我们后面主要使用的工具和平台,但很多人还不熟悉,今天我们一起来学习它的基础知识。

  • 模型实战准备(二) | 模型特征、训练样本的处理

    这节课,我们来讲实战中所需的模型特征和训练样本的处理,这是我们实现并且训练推荐系统模型的必备知识。

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

    你知道微软在2016年提出的深度学习模型Deep Crossing吗?它就属于经典的Embedding+MLP模型。

  • 18|Wide&Deep:怎样让你的模型既有想象力又有记忆力?

    Wide&Deep模型在业界有着巨大的影响力,只要掌握了它,我们就能抓住深度推荐模型这几年发展的一个主要方向。

  • 19|NeuralCF:如何用深度学习改造协同过滤?

    协同过滤的泛化能力非常弱,即使我们可以通过矩阵分解算法增强它,但这还远远不够。你知道怎么提高协同过滤的泛化能力吗?

  • 20 | DeepFM:如何让你的模型更好地处理特征交叉?

    模型对于特征组合和特征交叉的学习能力,能够决定推荐系统的推荐效果。那你知道哪种模型可以处理特征交叉问题吗?

  • 21|注意力机制、兴趣演化:推荐系统如何抓住用户的心?

    注意力机制、兴趣演化序列模型在推荐系统领域应用很广泛,它们是深度学习推荐模型的发展趋势,也是我们必须要储备的前沿知识。

  • 22|强化学习:让推荐系统像智能机器人一样自主学习

    你知道强化学习在推荐系统中的应用方法吗?这不仅是我们进一步改进推荐系统的关键点之一,也是推荐系统发展的趋势之一。

  • 特别加餐 | “银弹”不可靠,最优的模型结构该怎么找?

    你觉得,推荐系统中有解决推荐问题的“银弹”吗?

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

    今天又是一堂实战课,我会带你利用我们现阶段掌握的所有知识,来实现SparrowRecSys中“猜你喜欢”的功能。

  • 24 | 离线评估:常用的推荐系统离线评估方法有哪些?

    在推荐系统这个行业,所有人都在谈效果。那这个所谓的“效果”到底指的是什么呢?我们一般用什么方法来衡量这个“效果”呢?

  • 25 | 评估指标:我们可以用哪些指标来衡量模型的好坏?

    你知道工作中别人常说的,模型提高了“一个点”的效果具体是指什么吗?这节课我就带你来捋一捋这些经典的推荐评估指标。

  • 特别加餐|TensorFlow的模型离线评估实践怎么做?

    今天,我带你在TensorFlow环境下,来评估一下我们之前实现过的深度学习模型。

  • 26 | 在线测试:如何在推荐服务器内部实现A/B测试?

    几乎所有的互联网公司都会采用线上A/B测试,来验证新模型、新功能、新产品的效果是否有提升。你知道怎么实现A/B测试吗?

  • 27 | 评估体系:如何解决A/B测试资源紧张的窘境?

    你遇到过这样的问题吗?在进行线上A/B测试的时候,流量不够用,要排队等别人先做完测试后才能进行自己的测试。

  • 28 | 业界经典:YouTube深度学习推荐系统的经典架构长什么样?

    为什么YouTube的深度学习推荐系统架构能成为业界标杆式的解决方案呢?

  • 29 | 图神经网络:Pinterest是如何应用图神经网络的?

    最近两年,图神经网络的应用非常火热。这节课,我就带你了解著名的GNN解决方案,GraphSAGE的实现和落地。

  • 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?

    如果说推荐模型的架构是那把“无坚不摧”的“玄铁重剑”,那推荐系统的实时性就是“唯快不破”的“柳叶飞刀”。

  • 31|模型迭代:阿里巴巴是如何迭代更新推荐模型的?

    你觉得在推荐系统领域工作,最大的挑战是什么?是模型调参,是工程落地,还是找到下一步改进的思路?

  • 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?

    今天,我给你讲讲,美团是怎么在“猜你喜欢”功能中成功落地强化学习的。

  • 33|技术权衡:解决方案这么多,哪个最合适?

    这节课,我会借助三个技术权衡案例,来带你深入理解工程师的职责。

  • 结束语|深度学习时代需要什么样的推荐工程师?

    虽然在成为一名优秀推荐工程师这条路上,我不能让你直接到达技术专家的彼岸,但我希望通过这门课给你一个坚实的基础和宽广的视野

  • 期末考试 | “深度学习推荐系统”100分试卷等你来挑战!

    一套习题,测试你对深度学习推荐系统知识的掌握程度。

【立省 ¥30 | 截至今晚24:00】

限时秒杀+口令「Happy2021」立省 ¥30, 到手价 ¥69,口令今晚 24:00 失效

你将获得

  • 深度学习推荐系统的经典技术架构
  • Spark、TensorFlow、Flink 等主流工具的实践经验
  • Embedding 和多种深度推荐模型的原理和实现
  • 亲手搭建一个完整的深度学习推荐系统

讲师介绍

王喆, Roku 资深机器学习工程师,推荐系统架构负责人,前 Hulu 高级研究员,《深度学习推荐系统》作者。

从早期清华大学的学术搜索引擎 AMiner 贡献者,到 Hulu 广告系统的高级研究员,再到现在 Roku 的推荐系统架构负责人,王喆一直深耕于推荐系统、计算广告领域。发表相关领域学术论文和专利 10 余项,担任过 KDD-DLP Workshop 的联合主席,KDD、CIKM等会议审稿人,还作为发起人和主要贡献者完成了 CTRmodel、SparrowRecSys、Ad-papers 等开源项目。与此同时,王喆还出版了《深度学习推荐系统》、《百面机器学习》等技术书籍,读者5万+。

课程介绍

近年来,深度学习已成为了驱动推荐、广告、搜索业务的最强引擎。天猫每次双十一 2000 亿以上的惊人成交量,抖音 4 年时间用户日活破 6 亿,这背后都有深度学习的强劲助力。

与此同时,深度学习方向的推荐算法工程师,也因为高薪、名企这些标签,成为工程师们求职的热点。

与之伴随的是人才的高竞争和知识的快迭代,在深度学习时代,想要成为一名优秀的推荐工程师,我们不应该只满足于继续使用协同过滤、矩阵分解这类传统方法,而应该加深对深度学习模型的理解,加强对大数据平台的熟悉程度,培养与业务相结合的技术直觉,提高我们整体的技术格局,这些才是我们能否取得成功的关键。

针对上面的目标,王喆老师根据自己多年的推荐系统从业经验,梳理出了深度学习推荐系统的知识架构,并期望在这门课中和你一起从 0 搭建一个“工业级”的深度学习推荐系统,实现理论、实战两手抓!

课程模块设计

整个课程的结构遵循经典推荐系统的框架,共分为 6 个模块,分别是“基础架构篇”“特征工程篇”“线上服务篇”“推荐模型篇”“效果评估篇”“前沿拓展篇”。

基础架构篇:从宏观上,帮你建立起深度学习推荐系统的完整知识架构,做到“心中有高楼,并且手把手教你在自己的电脑上安装我们要实现的推荐系统 Sparrow RecSys ,建立初步的全局印象。

特征工程篇:重点讨论推荐系统会用到的特征,以及主要的特征处理方式,并在 Spark 上进行实践。此外,你还会学习到深度学习中非常流行的 Embedding、Graph Embedding 技术,并利用它们实现 Sparrow Recsys 中的相似电影推荐功能,在实践中快速成长。

线上服务篇:这一篇,你会实打实地搭建一个推荐服务器,它包括了服务器、存储、缓存、模型服务等模块和相关知识。通过这部分的学习,你会初步掌握 Jetty Server、Spark、Redis 等业界主流工具的使用,以及一个推荐工程师在工程领域的核心技能。

推荐模型篇:推荐模型是深度学习对传统推荐系统改进最大的地方,可以说是“推荐系统上的明珠”,也是整个专栏的重中之重。从中,你不仅可以学到 Embedding+MLP 、Wide&Deep、PNN 等深度学习模型的架构和 TensorFlow 实现,还能接触到注意力机制、序列模型、增强学习这些相关领域的前沿知识,拓宽技术视野。

效果评估篇:重点讲解效果评估的主要方法和指标,帮助你建立起包括线下评估、线上 AB 测试、评估反馈闭环的整套评估体系,真正能够用业界的方法而不是实验室的指标来评价一个推荐系统。

前沿拓展篇:围绕 YouTube、阿里巴巴、微软、Pinterest 等一线公司的深度学习推荐系统方案进行讲解,帮助你追踪业界发展的最新趋势,能融汇贯通地串联起整个知识体系。

课程目录

特别放送

订阅须知