课程背景
个性化推荐已成为各互联网产品的标配,随着它在各大厂的火热,很多程序员都想要学习了解推荐系统的相关技术。
然而想要自学并非易事,面临不少挑战:
对推荐系统认知有偏差,以为只有高深的算法才能搭建出好的推荐系统,没有抓住真正的学习重点
因为无实践,对于推荐系统的产生不知所云,更不知需要哪些知识,学习效率低下
……
那么,掌握推荐系统应该学习哪些知识,建立系统知识体系?一个有效的推荐系统,该用哪种推荐算法来解决问题?
课程解读
课程作者已有近 10 年推荐系统相关经验,他将自己丰富的实战经验浓缩与提炼,把学习推荐算法划分成了 6 大阶段,对应专栏 5 大内容模块,带你高效学习了解推荐系统的相关知识脉络、推荐算法的基本原理,并结合 58 集团的实践案例帮你融会贯通。
① 模块一:推荐系统基础篇
这一模块重点讲解推荐系统有关的理念、基础数据体系搭建等知识。你将快速掌握互联网业务场景、推荐系统的作用、埋点上报、用户和物品画像,以及标签挖掘、AB 测试系统等基础系统做法。
②模块二:传统推荐算法的演化之路
此模块主要讲解相对容易的传统机器学习推荐算法,这是推荐算法的基础。学完这部分知识,你将掌握传统经典推荐算法的原理,以及传统推荐算法的发展脉络。
③模块三:深度学习推荐算法的演化之路
这一模块是本专栏的重点,难度较大,主要从系统化的角度讲解 20+ 种常见的深度学习推荐算法。学完这部分知识,你将真正掌握最有影响力的深度学习推荐算法及其发展脉络,从而向更高、更远的算法工作前进。
④模块四:推荐系统绕不开的经典问题
这一模块是进阶内容,这些问题也是在你在落地过程中一定会遇到的。本模块内容在传统推荐算法基础上,继续结合模型的发展脉络,以及迁移学习、强化学习等实际业务落地场景,讲解推荐领域独特的问题及经典问题的解法,增强你解决实际问题的能力。学完后,你将知晓如何在特有场景下通过推荐算法做好一个推荐系统。
⑤模块五:推荐系统理论与实战篇
这一模块是拔高内容,将之前模块所学的推荐系统知识体系和脉络进一步梳理,并以 58 同城本地服务业务为背景,介绍如何根据实际业务构建流量分发体系,以及在体系分层优化中如何结合算法和工程能力,实现推荐算法综合及工程化实践方案的落地。
课程大纲
开篇词 | 如何根据规律在变化中求发展?
01 | 数据采集层:流量分发第一步——规范采集海量数据
02 | 数据加工层(上):如何搭建用户与内容的标准规范体系?
03 | 数据加工层(下):如何精准匹配用户画像与物品画像?
04 | 效用评测层:显性指标+标准方法,对推荐效果定量评测
05 | 以物品与用户为基础,个性化推荐算法的四大策略
06 | 人以群分,基于邻域的协同过滤算法
07 | 物以类聚,基于特征的七种算法模型
08 | 模型演化根本:深度学习推荐算法的五大范式组件
09 | 深度推荐模型演化中的“平衡与不平衡“组合规律
10 | 深度推荐模型演化中的“更深与更专注“进阶路径
11 | 深度推荐模型演化中的“范式替换“灵活组合
12 | 用户行为关联与推荐:多目标与多任务学习
13 | 用户兴趣探索与开发:深度学习与强化学习
14 | 新用户与新物品涌入:冷启动难题破解之道
15 | 58 本地服务业务中的推荐系统实战——工程篇
16 | 58 本地服务业务中的推荐系统实战——算法篇
结束语 | 推荐系统方案中,那些不得不知的坑
请登录后发表评论
注册