手把手带你搭建推荐系统

共 37 讲。

目录

• 手把手带你搭建推荐系统
• 开篇词-从企业级项目开始，进阶推荐系统
• 01-推荐系统：我们应该怎样学习推荐系统？
• 02-Netflix推荐系统：企业级的推荐系统架构是怎样的？
• 03-数据处理：我们应该如何获取和处理数据？
• 04-MongoDB：如何安装和使用MongoDB数据库？
• 05-Redis：如何安装和使用Redis数据库？
• 06-网络爬虫：爬取一个网站的流程是怎样的？
• 07-数据获取：什么是Scrapy框架？
• 08-数据获取：如何使用Scrapy框架爬取新闻数据？
• 09-数据存储：如何将爬取到的数据存入数据库中？
• 10-数据加工：如何将原始数据做成内容画像？
• 11-基于规则的召回：如何使用规则找到用户的兴趣点？
• 12-基于热度的召回：如何使用热门内容来吸引用户？
• 13-基于关键词的召回：如何使用关键词吸引用户？
• 14-基于Flask的推荐服务：搭建基础的Flask服务
• 15-基于Flask的推荐服务：如何把召回集推荐出去？
• 16-基础用户画像：如何用好用户的注册信息？
• 17-推荐系统前端：如何用一个界面展示我们的成果？
• 18-一个简单的推荐服务闭环包括哪些模块？
• 19-协同过滤：召回算法中永远不落幕的经典
• 20-Embedding：深入挖掘用户底层特征
• 21-YouTubeDNN：召回算法的后起之秀（上）
• 22-YouTubeDNN：召回算法的后起之秀（下）
• 23-流程串联：数据处理和协同过滤串联进行内容推荐
• 24-GBDT+LR：排序算法经典中的经典
• 25-DeepFM：如何使用深度学习技术给数据排序？
• 26-重排序：如何对排序后的内容进行微调？
• 27-部署：如何在Linux上配合定时任务部署推荐系统服务？
• 28-珠联璧合：Kafka与推荐服务的联动
• 29-推荐系统的工程化策略及服务部署策略
• 30-推荐系统的后处理及日志回采
• 特别放送-知识回顾（上）
• 特别放送-知识回顾（中）
• 特别放送-知识回顾（下）
• 结束语-如何成为企业中不可或缺的推荐系统工程师？
• 期末测试-来赴一场满分之约！