深度学习推荐系统实战

开篇词 (1讲)



开篇词 | 从0开始搭建一个深度学习推荐系统

时长 13:22

基础架构篇 (5讲)



01 | 技术架构：深度学习推荐系统的经典技术架构长啥样？

时长 17:05

02 | Sparrow RecSys：我们要实现什么样的推荐系统？

时长 12:39

03 | 深度学习基础：你打牢深度学习知识的地基了吗？

时长 16:12

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

时长 08:03

国庆策划 | 深度学习推荐系统基础，你掌握了多少？

时长 00:47

特征工程篇 (6讲)



04 | 特征工程：推荐系统有哪些可供利用的特征？

时长 15:36

05 | 特征处理：如何利用Spark解决特征处理问题？

时长 15:08

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

时长 16:42

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

时长 16:53

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

时长 11:37

答疑 | 基础架构篇+特征工程篇常见问题解答

时长 13:15

线上服务篇 (7讲)



09 | 线上服务：如何在线上提供高并发的推荐服务？

时长 13:39

10 | 存储模块：如何用Redis解决推荐系统特征的存储问题？

时长 13:24

11 | 召回层：如何快速又准确地筛选掉不相关物品？

时长 11:40

12 | 局部敏感哈希：如何在常数时间内搜索Embedding最近邻？

时长 15:50

13 | 模型服务：怎样把你的离线模型部署到线上？

时长 16:03

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

时长 15:15

答疑 | 线上服务篇留言问题详解

时长 13:20

推荐模型篇 (12讲)



15 | 协同过滤：最经典的推荐模型，我们应该掌握什么？

时长 13:45

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？

时长 14:46

模型实战准备（一） | TensorFlow入门和环境配置

时长 13:29

模型实战准备（二） | 模型特征、训练样本的处理

时长 14:15

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

时长 15:23

18｜Wide&Deep：怎样让你的模型既有想象力又有记忆力？

时长 12:49

19｜NeuralCF：如何用深度学习改造协同过滤？

时长 11:57

20 | DeepFM：如何让你的模型更好地处理特征交叉？

时长 12:42

21｜注意力机制、兴趣演化：推荐系统如何抓住用户的心？

时长 15:50

22｜强化学习：让推荐系统像智能机器人一样自主学习

时长 15:16

特别加餐 | “银弹”不可靠，最优的模型结构该怎么找？

时长 13:36

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

时长 14:24

模型评估篇 (5讲)



24 | 离线评估：常用的推荐系统离线评估方法有哪些？

时长 12:48

25 | 评估指标：我们可以用哪些指标来衡量模型的好坏？

时长 19:39

特别加餐｜TensorFlow的模型离线评估实践怎么做？

时长 09:18

26 | 在线测试：如何在推荐服务器内部实现A/B测试？

时长 15:13

27 | 评估体系：如何解决A/B测试资源紧张的窘境？

时长 15:13

前沿拓展篇 (6讲)



28 | 业界经典：YouTube深度学习推荐系统的经典架构长什么样？

时长 16:50

29 | 图神经网络：Pinterest是如何应用图神经网络的？

时长 14:48

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？

时长 12:54

31｜模型迭代：阿里巴巴是如何迭代更新推荐模型的？