- 课程目录
- 课程介绍
-
在线阅读：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。
-
在线阅读：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。
课程介绍
618 狂欢 | 课程专属口令 *此优惠不与会员折扣同享 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...618 狂欢 | 课程专属口令
*此优惠不与会员折扣同享
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
免费领取福利
限时活动推荐
