主题
深度学习推荐系统实战
共 47 讲。
目录
- 深度学习推荐系统实战
- ChatGPT和AIGC：开启推荐系统的大模型时代
- 旅程再启：重构大模型时代的推荐系统
- 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！