手把手带你搭建推荐系统 打造千人千面的推荐系统
你将获得
完整的企业级推荐系统服务及代码
经典推荐系统架构案例剖析
6+ 主流推荐算法及适用场景精讲
可复用的推荐系统工程化部署方案
课程介绍
在推荐算法刚刚兴起的时候,基本上只要懂一些推荐系统算法的理论,就能够找到一份推荐算法相关的工作。但现在,只有对推荐系统整个的运转流程有了足够的了解,才能够获得企业的青睐。要想拥有推荐系统的全局视角,掌握在面对不同问题时灵活变通的方法,demo 级别的训练远远不够。
为此,我们特地邀请到了在算法和深度学习领域深耕多年的黄鸿波老师,他将提供一整套推荐系统的工程化方案,带你从获取真实的原始数据开始,通过数据处理、特征采集、内容画像、用户画像等一系列步骤,最终把整个系统部署和发布到 Linux 系统上。
同时,这门课程采用环环相扣的讲解方式:前面讲到的内容,一定是后面的系统搭建中的一步。通过这个方式,你能有效掌握推荐系统的全流程,避免“一学就会,一用就废”。
课程分为七个章节:架构篇、数据篇、召回篇:基于规则的召回、服务搭建篇、召回篇:经典召回算法、排序篇和部署篇。
架构篇
为你提供了解推荐系统概念和功能宏观视角。以 Netflix 系统为例,带你推荐系统的工作原理,展示推荐系统的运作流程和优化策略,从而让你对推荐系统的实践应用有一个整体认识。
数据篇
深入探讨推荐系统所依赖的数据处理流程。先学习爬虫和数据库的原理和使用方法,然后从新闻网站中爬取数据,将它们作为我们的原始数据集。接下来,使用 NLP、Python 等技术对数据进行简单的特征工程处理,形成内容画像系统。
召回篇:基于规则的召回
利用数据篇得到的数据,进行一些基于规则的召回。在讲解什么是召回、为什么需要召回以及召回的种类的同时,深入研究召回对于推荐系统的影响,以及如何选择最优的召回策略。
服务搭建篇
将数据拼装后,绑定到界面进行内容推荐。本章将为你提供一个简单的推荐系统 Web 界面,带领你在这个界面的基础上调用 Flask 提供的 webservice 接口,完成内容推荐。
召回篇:经典召回算法
深入探讨包括协同过滤、基于 Embedding 的召回以及基于深度学习的召回等一系列经典召回算法,针对这些算法做不同的特征处理,并将它们与数据库、数据集结合起来。
排序篇
讲解经典排序算法,包括 GBDT、LR、DeepFM、重排序等,充分利用现有数据,与上一章的推荐系统流程结合,用真实案例加深你对这些算法特点及适用场景的理解。
部署篇
带你使用 TensorFlow Serving 来进行服务的部署和搭建,完成一个真正的企业级推荐系统。此外,还会对推荐系统进行一个整体的回顾,带你从全局视角来观察企业级推荐系统如何在线上运作。
本站提供的一切软件、教程和内容信息仅限用于学习和研究目的;不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负。本站信息来自网络收集整理,版权争议与本站无关。您必须在下载后的24个小时之内,从您的电脑或手机中彻底删除上述内容。如果您喜欢该程序和内容,请支持正版,购买注册,得到更好的正版服务。
我们非常重视版权问题,如有侵权请邮件与我们联系处理。敬请谅解!
星期八资源网 » 手把手带你搭建推荐系统 打造千人千面的推荐系统