小册描述
目录
- 01 | 技术架构：深度学习推荐系统的经典技术架构长啥样？
- 02 | Sparrow RecSys：我们要实现什么样的推荐系统？
- 03 | 深度学习基础：你打牢深度学习知识的地基了吗？
- 04 | 特征工程：推荐系统有哪些可供利用的特征？
- 05 | 特征处理：如何利用Spark解决特征处理问题？
- 06 | Embedding基础：所有人都在谈的Embedding技术到底是什么？
- 07 | Embedding进阶：如何利用图结构数据生成Graph Embedding？
- 08 | Embedding实战：如何使用Spark生成Item2vec和Graph Embedding？
- 09 | 线上服务：如何在线上提供高并发的推荐服务？
- 10 | 存储模块：如何用Redis解决推荐系统特征的存储问题？
- 11 | 召回层：如何快速又准确地筛选掉不相关物品？
- 12 | 局部敏感哈希：如何在常数时间内搜索Embedding最近邻？
- 13 | 模型服务：怎样把你的离线模型部署到线上？
- 14 | 融会贯通：Sparrow RecSys中的电影相似推荐功能是如何实现的？
- 15 | 协同过滤：最经典的推荐模型，我们应该掌握什么？
- 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？
- 模型实战准备（一） | TensorFlow入门和环境配置
- 模型实战准备（二） | 模型特征、训练样本的处理
- 17 | Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？
- 18｜Wide&Deep：怎样让你的模型既有想象力又有记忆力？
- 19｜NeuralCF：如何用深度学习改造协同过滤？
- 20 | DeepFM：如何让你的模型更好地处理特征交叉？
- 21｜注意力机制、兴趣演化：推荐系统如何抓住用户的心？
- 22｜强化学习：让推荐系统像智能机器人一样自主学习
- 23｜ 实战：如何用深度学习模型实现Sparrow RecSys的个性化推荐功能？
- 24 | 离线评估：常用的推荐系统离线评估方法有哪些？
- 25 | 评估指标：我们可以用哪些指标来衡量模型的好坏？
- 特别加餐｜TensorFlow的模型离线评估实践怎么做？
- 26 | 在线测试：如何在推荐服务器内部实现A/B测试？
- 27 | 评估体系：如何解决A/B测试资源紧张的窘境？
- 28 | 业界经典：YouTube深度学习推荐系统的经典架构长什么样？
- 29 | 图神经网络：Pinterest是如何应用图神经网络的？
- 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？
- 31｜模型迭代：阿里巴巴是如何迭代更新推荐模型的？
- 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？
- 33｜技术权衡：解决方案这么多，哪个最合适？