推荐系统三十六式

共 41 讲。

目录

• 推荐系统三十六式
• 开篇词 - 用知识去对抗技术不平等
• 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
• 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
• 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
• 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
• 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
• 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
• 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
• 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
• 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
• 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
• 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
• 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
• 加餐 - 推荐系统的参考阅读
• 结束语 - 遇“荐”之后，江湖再见
• 结课测试 - 推荐系统的这些知识，你都掌握了吗？