深度学习推荐系统实战
返回首页
00-开篇词-从0开始搭建一个深度学习推荐系统.html
01-01-技术架构：深度学习推荐系统的经典技术架构长啥样？.html
02-02-SparrowRecSys：我们要实现什么样的推荐系统？.html
03-03-深度学习基础：你打牢深度学习知识的地基了吗？.html
04-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.html
05-国庆策划-深度学习推荐系统基础，你掌握了多少？.html
06-04-特征工程：推荐系统有哪些可供利用的特征？.html
07-05-特征处理：如何利用Spark解决特征处理问题？.html
08-06-Embedding基础：所有人都在谈的Embedding技术到底是什么？.html
09-07-Embedding进阶：如何利用图结构数据生成GraphEmbedding？.html
10-08-Embedding实战：如何使用Spark生成Item2vec和GraphEmbedding？.html
11-答疑-基础架构篇+特征工程篇常见问题解答.html
12-09-线上服务：如何在线上提供高并发的推荐服务？.html
13-10-存储模块：如何用Redis解决推荐系统特征的存储问题？.html
14-11-召回层：如何快速又准确地筛选掉不相关物品？.html
15-12-局部敏感哈希：如何在常数时间内搜索Embedding最近邻？.html
16-13-模型服务：怎样把你的离线模型部署到线上？.html
17-14-融会贯通：SparrowRecSys中的电影相似推荐功能是如何实现的？.html
18-答疑-线上服务篇留言问题详解.html
19-15-协同过滤：最经典的推荐模型，我们应该掌握什么？.html
20-16-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？.html
21-模型实战准备（一）-TensorFlow入门和环境配置.html
22-模型实战准备（二）-模型特征、训练样本的处理.html
23-17-Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？.html
24-18-Wide&Deep：怎样让你的模型既有想象力又有记忆力？.html
25-19-NeuralCF：如何用深度学习改造协同过滤？.html
26-20-DeepFM：如何让你的模型更好地处理特征交叉？.html
27-21-注意力机制、兴趣演化：推荐系统如何抓住用户的心？.html
28-22-强化学习：让推荐系统像智能机器人一样自主学习.html
29-特别加餐-“银弹”不可靠，最优的模型结构该怎么找？.html
30-23-实战：如何用深度学习模型实现SparrowRecSys的个性化推荐功能？.html
31-24-离线评估：常用的推荐系统离线评估方法有哪些？.html
32-25-评估指标：我们可以用哪些指标来衡量模型的好坏？.html
33-特别加餐-TensorFlow的模型离线评估实践怎么做？.html
34-26-在线测试：如何在推荐服务器内部实现A-B测试？.html
35-27-评估体系：如何解决A-B测试资源紧张的窘境？.html
36-28-业界经典：YouTube深度学习推荐系统的经典架构长什么样？.html
37-29-图神经网络：Pinterest是如何应用图神经网络的？.html
38-30-流处理平台：Flink是如何快速识别用户兴趣，实现实时推荐的？.html
39-31-模型迭代：阿里巴巴是如何迭代更新推荐模型的？.html
40-32-强化学习案例：美团是如何在推荐系统中落地强化学习的？.html
41-33-技术权衡：解决方案这么多，哪个最合适？.html
42-结束语-深度学习时代需要什么样的推荐工程师？.html
43-期末考试-“深度学习推荐系统”100分试卷等你来挑战！.html