推荐系统从没像现在这样,影响着我们的生活。当你上网购物时,天猫、京东会为你推荐商品;想了解资讯,头条、知乎会为你准备感兴趣的新闻;想消遣放松,抖音、快手会为你奉上让你欲罢不能的短视频。
而驱动这些巨头进行推荐服务的,都是基于深度学习的推荐模型。
2019 年阿里的千人千面系统,促成了天猫”双 11“ 2684 亿成交额。假设通过改进商品推荐功能,使平台整体的转化率提升 1%,就能在 2684 亿成交额的基础上,再增加 26.84 亿。这就是推荐工程师的最大魅力,也是它支撑起百万年薪的主要原因。
但在一个成熟的推荐系统上,找到提升的突破点并不容易——不能满足于协同过滤、矩阵分解这类传统方法,而要建立起完整的深度学习推荐系统知识体系,加深对深度学习模型的理解和大数据平台的熟悉程度,才能实现整体效果上的优化。
上半年,因为疫情抽空看了本书叫《深度学习推荐系统》,对我启发很大,豆瓣评分也挺高的 9.3。作者是王喆,他是 Roku 资深机器学习工程师,推荐系统架构负责人,从业这些年,他一直深耕于推荐系统、计算广告领域,经验非常丰富。
所以,当得知他推出了专栏《深度学习推荐系统实战》,我第一时间就订阅了,跟着学下来,真是受益匪浅,之前尝试过很多深度学习模型,但效果始终没有提升。直到遇到这门课,让我对深度学习推荐系统的认知到了一个新高度,很想把它推荐给你。
在专栏中,他讲解了深度学习推荐系统的经典架构设计,带你掌握 Embedding 技术的主要实现方法,构建完整的推荐系统评估体系路径,并搭建出一个工业级的深度学习推荐系统。
????扫码免费试读
秒杀+口令「Happy2021」立省 ¥30
原价 ¥99,口令仅限「前 50 人」有效
新人首单 ¥19.9
他是怎样讲解这门课程的?
在课程设置上,他遵循了经典推荐系统的框架,将课程分为 6 部分,通过 30+ 深度学习推荐系统问题,带你串联起深度学习推荐系统的知识体系,并收获了一套他实践过的深度学习推荐系统开源代码,实现一个工业级的深度学习推荐系统。
可以看看专栏里的学习图谱,方便你了解这门课的设计以及用到的技术。
基础架构篇:从推荐系统要解决的主要问题入手,讲解我们要从 0 开始实现的推荐系统, Sparrow RecSys 的主要功能和技术架构,也会用到 Spark、Flink、TensorFlow 等业界最流行的机器学习和大数据框架。
特征工程篇:讨论推荐系统会用到的特征,以及主要的特征处理方式,并将其实践在 Spark 上。此外,还有深度学习中非常流行的 Embedding、Graph Embedding 技术,并带你实现 Sparrow Recsys 中的相似电影推荐功能。
线上服务篇:在这部分,他会带你地搭建一个推荐服务器,包括服务器、存储、缓存、模型服务等模块和相关知识,涉及 Jetty Server, Spark、Redis 的使用,带你初步掌握推荐工程师在工程领域的核心技能。
推荐模型篇:带你学习深度学习推荐模型的原理和实现方法,包括 Embedding+MLP ,Wide&Deep,PNN 等深度学习模型的架构和 TensorFlow 实现,以及注意力机制、序列模型、增强学习等相关领域的前沿进展。
效果评估篇:学习效果评估的主要方法和指标,建立起包括线下评估、线上 AB 测试、评估反馈闭环等整套的评估体系,真正能够用业界的方法而不是实验室的指标来评价一个推荐系统。
前沿拓展篇:将业界巨头们的深度学习推荐系统方案进行融汇贯通,重点讲解 YouTube、阿里巴巴、微软、Pinterest 等一线公司的深度学习应用,帮你追踪业界发展的最新趋势,并找到自己技术道路的方向。
具体内容可以看看目录:
订阅福利
秒杀+口令「Happy2021」立省 ¥30
原价 ¥99,口令仅限「前 50 人」有效
新人首单 ¥19.9
????扫码免费试读
????点击「阅读原文」,
输入优惠口令「Happy2021」
立省 ¥30入手,仅限「前 50 人」有效
新人首单 ¥19.9