仅供学习
第六章 基于深度学习的推荐模型
6.1 基于DNN的推荐算法
wide & deep
6.2 基于DeepFM的推荐算法
6.3 基于矩阵分解和图像特征的推荐算法
6.4 基于循环网络的推荐算法
6.5 基于生成对抗网络的推荐算法
第七章 推荐系统架构设计
7.1 推荐系统基本模型
有监督学习,训练和预测两个过程
7.2 推荐系统常见架构
7.2.1 基于离线训练的推荐系统架构设计
7.2.2 面向深度学习的推荐系统架构设计
受限玻尔兹曼机RBM、自编码AE、卷积神经网络CNN、深度神经网络DNN、宽度学习W&D
7.2.3 基于在线训练的推荐系统架构设计
7.2.4 面向内容的推荐系统架构设计
7.3 推荐系统常用组件
7.3.1 数据上报常用组件
kafka
7.3.2 离线存储常用组件
HDFS、Hive
7.3.3 离线计算常用组件
Spark、TensorFlow
7.3.4 在线存储常用组件
redis、Memcached、levelDB、RocksDB
7.3.5 模型服务常用组件
TensorFlow Serving
7.3.6 实时计算常用组件
Apache Storm 、Spark Streaming
7.4 推荐系统常见问题
7.4.1 实时性
离线模型、在线模型;模型的更新部署;
7.4.2 多样性
热传导、二次优化、社会化网络
7.4.3 曝光打击和不良内容过滤
恶俗、恶搞、标题党
7.4.4 评估测试
- 离线评估
准确率、覆盖度、多样性、新颖性、AUC - 在线评估
点击率、用户停留时间、广告收入等