推荐系统完全指南--掘金小册课程推荐/优惠

你将获得

• 推荐系统的技术发展路径及技术要点；
• 概率统计、机器学习等底层知识讲解；
• 推荐系统的最佳范式及主流落地方案；
• 召回、排序、策略等核心推荐算法原理及实践。

作者介绍

十年互联网老兵，掘金小册《深入理解 NLP 的中文分词：从原理到实践》作者。拥有丰富的推荐系统理论知识和实践经验，负责过 10 亿+用户量级的推荐系统，非常懂得“如何从入坑到发疯地掌握一门技术”，擅长深入浅出的讲解方式。

小册介绍

推荐系统是各大互联网公司不可或缺的重要模块，它以“千人千面，万人万解”的特点，为用户提供个性化的内容，直接影响公司收益。根据历史数据，Amazon 35% 的销售来自推荐，Netflix 2/3 的电影碟片出租来自推荐，GoogleNews 的推荐系统更是为其增加了 38% 的点击率。

国内各大互联网公司对于推荐系统方面的人才也是趋之若鹜，推荐算法相关岗位的薪酬也显著高于其它技术岗。但是想要从事推荐算法工作，跨越它独有的门槛，获得实实在在的经济回报并不容易。

因为推荐系统拥有一套完全独立的知识体系和方法论。首先，推荐系统涉及的知识面非常广和深。 我们不仅需要了解各种类型的业务，掌握各种数据分析的方法，还需要掌握机器学习的原理，精通推荐的各种模型，等等。其次，实际落地推荐系统的过程与理论知识有较大差距。 我们不能一味地只追求推荐模型如何如何厉害，如何如何先进，而是需要根据不同的阶段进行合理规划，什么时候上策略，什么时候上召回，什么时候上深度学习，这些经验都需要在工作中一点一滴地累积。最后，推荐算法同学常常需要背负业务指标高增长的 KPI。 这就需要同学们能够结合实际情况，有针对性地提出解决方案，对推荐算法的各种策略、各种算法融会贯通。

为了让大家能够构建出推荐系统的完整知识体系，掌握核心技术，还能灵活应用到实际工作中， 小册会围绕推荐系统的核心链路展开讲解，也就是召回 -> 粗排 -> 精排 -> 重排 -> 策略。 其中，每一层又会从基础到进阶再到高阶，抽丝剥茧地讲解每项技术所要解决的问题，以及遗留下来的不足，让大家能够形成一个清晰的脉络。当然，还会搭配实际的应用场景。

• 基础部分会围绕推荐系统的各项入门级技术讲解，比如：统计学、机器学习、EE、CF、LR 等，很多技术会伴随着整个推荐系统的生命周期。

• 进阶部分是指度过了推荐系统的初始阶段后，为进一步提升推荐效果，我们会学习使用一些较复杂的算法，比如：GBDT+LR、FM、DeepWalk 等。

• 高阶部分，我们会学习业界的最佳范式，包括召回、粗排和精排，其中还会包括一些复杂的场景，如多目标、重排、知识蒸馏等。

你会学到什么？

• 推荐系统的技术发展路径，能够了解到推荐系统的来龙去脉；
• 与推荐系统强相关的概率统计、机器学习、深度学习等知识；
• 推荐系统的最佳范式，主流的推荐系统落地方案；
• 召回层、 粗排层和精排层的各种算法的原理及实践；
• 推荐系统中的各种策略，包括：EE、冷启保量、数据挖掘等。

适宜人群

学习基础：了解机器学习和推荐算法的基础概念，有过简单实践更好

• 推荐系统行业一线工程师，遇到瓶颈期，缺乏进阶方向；
• 推荐方向的策略产品经理，想要与推荐算法同学高效沟通、对接，提出可落地的策略方案；
• 对推荐系统算法工作感兴趣的学生、工程师，想要了解真实推荐系统的知识体系，增加工作机会。

• 开篇 | 为什么要学习推荐系统？

• 基础篇：一个好推荐系统的标准及依赖

• 基础篇：推荐系统的技术发展路径

• 基础篇：推荐系统的技术地基

• 整体篇：推荐系统的最佳范式

• 整体篇：如何做好特征工程？

• 整体篇：如何构建样本库？

• 整体篇：评估方法

• 召回篇：召回在推荐中的作用

• 召回篇：Hot& 画像类

• 召回篇：行为类

• 召回篇：模型类

• 粗排篇：粗排在推荐中的作用

• 粗排篇：GBDT+LR

• 粗排篇：FM

• 精排篇：精排在推荐中的作用

• 精排篇：DeepLearning

• 精排篇：多目标

• 精排篇：知识蒸馏

• 精排篇：重排

• 策略篇：EE& 冷启保量

• 策略篇：数据挖掘

• 结束语