推荐系统三十六式
返回首页
00-开篇词-用知识去对抗技术不平等.html
01-01-你真的需要个性化推荐系统吗.html
02-02-个性化推荐系统有哪些绕不开的经典问题？.html
03-03-这些你必须应该具备的思维模式.html
04-04-画鬼容易画人难：用户画像的“能”和“不能”.html
05-05-从文本到用户画像有多远.html
06-06-超越标签的内容推荐系统.html
07-07-人以群分，你是什么人就看到什么世界.html
08-08-解密“看了又看”和“买了又买”.html
09-09-协同过滤中的相似度计算方法有哪些.html
10-10-那些在NetflixPrize中大放异彩的推荐算法.html
11-11-Facebook是怎么为十亿人互相推荐好友的.html
12-12-如果关注排序效果，那么这个模型可以帮到你.html
13-13-经典模型融合办法：线性模型和树模型的组合拳.html
14-14-一网打尽协同过滤、矩阵分解和线性模型.html
15-15-深度和宽度兼具的融合模型WideandDeep.html
16-16-简单却有效的Bandit算法.html
17-17-结合上下文信息的Bandit算法.html
18-18-如何将Bandit算法与协同过滤结合使用.html
19-19-深度学习在推荐系统中的应用有哪些.html
20-20-用RNN构建个性化音乐播单.html
21-21-构建一个科学的排行榜体系.html
22-22-实用的加权采样算法.html
23-23-推荐候选池的去重策略.html
24-24-典型的信息流架构是什么样的.html
25-25-Netflix个性化推荐架构.html
26-26-总览推荐架构和搜索、广告的关系.html
27-27-巧妇难为无米之炊：数据采集关键要素.html
28-28-让你的推荐系统反应更快：实时推荐.html
29-29-让数据驱动落地，你需要一个实验平台.html
30-30-推荐系统服务化、存储选型及API设计.html
31-31-推荐系统的测试方法及常用指标介绍.html
32-32-道高一尺魔高一丈：推荐系统的攻防.html
33-33-和推荐系统有关的开源工具及框架介绍.html
34-34-推荐系统在互联网产品商业链条中的地位.html
35-35-说说信息流的前世今生.html
36-36-组建推荐团队及工程师的学习路径.html
37-加餐-推荐系统的参考阅读.html
38-结束语-遇“荐”之后，江湖再见.html
39-结课测试-推荐系统的这些知识，你都掌握了吗？.html