由于近些年深度学习技术的飞速发展，大力加速推动了AI在互联网以及传统各个行业的商业化落地，尤其是推荐系统、计算广告等领域。由于推荐系统与提升用户量以及商业化变现有着密不可分的联系，各大公司都放出了众多推荐系统相关职位，且薪水不菲，目前发展势头迅猛。
大多数欲从事推荐系统相关工作的同学，往往都是通过自学的方式来进行学习，但是这样很明显的问题是：
1. 虽然学习了解了很多推荐算法模型，如：协同过滤、FM、DeepFM等，但是却不清楚这些模型在工业界推荐系统中是如何串联、如何配合、有哪些坑，哪些trick的，导致无论面试还是真正去业界做推荐系统，都会被推荐领域的”老枪老炮“们一眼识别出小白属性。
2. 对于算法原理理解不深刻，这就会导致实际应用时不能很好地将模型的性能发挥出来，另外面试时对于大厂面试官的刨根问底，只能是眼睁睁的丢掉offer。
CF、FM、DSSM、DeepFM等这些推荐业界明星模型，你真的清楚他们的内部运行原理以及使用场景吗？真的了解FM模型与SVM有什么相似之处吗？FM固然可以用作为打分模型，但它可以用来做matching吗，如果可以，如何做？item2Vec模型在业界是如何缓解冷启动的问题的？双塔模型优势在哪？深度模型到底是如何做matching的，是离线计算好结果还是实时的对网络进行前向计算？DeepFM具体实现时，wide端和deep端的优化方式是一样的吗？基于Graph的推荐方法在业界的应用目前是怎样的？
为了真正全面系统的培养面向工业界的推荐系统人才，贪心学院推出了《推荐系统工程师培养计划3期》，在前两期的基础上做了全面升级，深度探索推荐系统算法知识，并落地实操工业级项目，由资深的推荐系统负责人全程直播讲解，帮助你融会贯通，轻松拿offer。
推荐系统工程师培养计划
助你成为行业TOP10%的工程师
对课程有意向的同学
扫描二维码咨询
01 课程大纲
第一部分：推荐系统之内容理解与画像构建
Week1 机器学习基础 逻辑回归模型 梯度下降法 神经网络模型 过拟合与正则 常用的评价指标 常用的优化算法 向量、矩阵基础 |
Week2 推荐系统基础 推荐系统概述、架构设计 推荐系统后台数据流设计 常用的技术栈 推荐系统中的评价指标 简单的用户协同 环境搭建 |
Week3 内容画像的构建以及NLP技术 内容画像的搭建基础 关键词提取技术tf-idf, textRank LSTM与注意力机制 Attention的几种常用方式 Self-Attention Multi-head Attention 双线性Attention NLP工具的使用 MySQL数据库的搭建与内容画像存储 |
Week4 用户画像的构建 用户画像与内容画像的关系 用户画像的架构 用户画像的扩展 用户画像与排序特征 用途：基于标签的用户画像 标签权重的计算方法（贝叶斯平滑、时间衰减） 基于用户画像的召回方法 Redis的搭建与使用 基于Redis的用户画像存储 Hadoop, Hive, Spark等工具使用 |
第二部分：召回模型与策略、数据与采样的学问
Week5 传统Matching方法 MF召回法以及求解 特征值分解 传统奇异值分解之SVM FunkSVD ALS方法 SVD++ 基于物品的协同Item-CF |
Week6 深度 Matching方法 理解Embedding技术 Embedding为什么有效 Embedding与稀疏ID类特征的关系 Item-CF召回与Item2Vec Airbnb序列召回与冷启动缓解思路 NCF召回以及变种 YouTube召回方法 从DSSM到双塔模型 双塔模型工业界的部署方法 多兴趣召回 MIND召回 Faiss工具介绍 KD树，LSH，Simhash |
Week7 Graph Embedding与用户行为构建图 随机游走于传统协同方法 Deepwalk Node2Vec及其同质性与结构性 LINE 随机游走的实现 Alias采样方法 Neo4j讲解 Graph Embedding的实现 Node2Vec的实现 |
Week8 图推荐、图神经网络、采样与热度打压 Graph Embedding优化 EGS，注意力机制及其变种 Ripple网络方法 召回层采样的坑与技巧 热度抑制 EGES的实现 GCN和GAT GraphSage |
第三部分：排序模型、重排序与多目标
Week9 经典Ranking模型方法 Ranking与用户画像 物品画像 LR模型 GBDT+ LR FM模型详解、业界使用方法与坑 FFM模型 AUC与GAUC 增量学习与Online Learning 从L1稀疏化、FOBOS到FTRL算法 基于FM实现Ranking精排序 |
Week10 深度Ranking模型与工业采样技巧 粗排与精排及其意义 主流深度推荐模型的几种范式 特征自动组合：Deep&Cross, XDeepFM, PNN 特征重要度提取以及无用特征去噪：AFM，DeepFFM 序列推荐模型：DIN，DIEN，AttRes，Stamp 独辟蹊径之序列推荐的优化思路 深度模型工具的介绍与使用 MLSQL DeepCTR等与工业界采样方法 |
Week11 重排序与多目标学习 多目标学习的几种范式 范式一：样本加权 范式二：多模型融合 范式三：联合训练、ESMM，MMOE框架，ESM2等 ESMM的实现 |
第四部分：实时召回策略与前沿推荐技术
Week12-13 工业界新闻推荐系统中冷启动与热点文章实时召回 人群分桶 实时交互正反馈 实时召回与实时画像技术 人群投票 人群等级投票 降维分发 后验与先验的结合 引入注意力机制的优化兴趣增加和衰减 热点文章召回策略 本地文章召回策略 算法策略与运营配合协作 |
Week14 强化学习与推荐系统、AutoML与推荐系统 强化学习概念、以及在推荐系统中的对应 DP算法本质思想 马尔科夫决策 蒙特卡洛搜索所树(MCTS) UCB及其在推荐系统中的应用 汤普森采样法 Q-Learning、DRN、策略梯度 强化学习在推荐场景中的应用 |
Week15 项目总结，部署以职业规划 工业界项目的部署 推荐系统岗位的面试要点 大厂的面试攻略 如何准备简历、包装自己 职业规划 |
推荐系统工程师培养计划
助你成为行业TOP10%的工程师
对课程有意向的同学
扫描二维码咨询
02 课程中的实战项目
1. 相似推荐场景项目
项目描述：
工业界中，推荐系统已经逐步渗入到各个场景下，从最常见的信息流、首页猜你喜欢等，到看了又看、买了又买，以及相似物品推荐等。本项目将以此为切入点，带领学员们体验相似推荐场景的算法与工具、以及工业界的使用经验、心得、trick。
项目预期结果：
掌握相似推荐场景的常用算法和工具、以及使用经验，具备独立完成相似推荐场景的能力。
2. 资讯信息流召回场景项目
项目描述：
目前业界最主流的推荐系统使用“多路召回+精排”的方式，本项目中，带你掌握这种工业界最流行的推荐方式，你将使用DSSM等深度网络算法，并基于ANN检索的方式实现召回，最后使用精排，对每个候选物品进行打分并排序，最后按照得分对用户进行物品展示，用此种方式还原真实工业界场景。
项目预期结果：
此项目将为学员带来完整的工业界推荐算法与数据流，麻雀不大，但五脏俱全，令你掌握深度召回、向量化检索、深度排序以及工程化部署等，完全具备一个合格的推荐算法工程师能力。
3. 多目标排序场景项目
项目描述：
随着推荐系统的发展，无论是流量化场景，还是商业化场景，多目标的拟合在推荐系统中的重要性，慢慢的从小荷才露尖尖角，迅速的发展成为执牛耳的地位，本项目将多目标排序单独作为一个模块，分别利用工业界经典以及最新方法来体验多目标排序的美妙。
项目预期结果：
掌握推荐领域的高阶技术-多目标排序的算法的工程实践，在深度排序的基础上进一步拓展排序的优化空间。
推荐系统工程师培养计划
助你成为行业TOP10%的工程师
对课程有意向的同学
扫描二维码咨询
03部分案例和作业
01
实现基于用户协同的文本推荐
在深度学习盛行的时代，经典的协同过滤方法是否还在各大公司的推荐引擎中使用呢？答案是肯定的，协同算法在推荐领域中有这不可磨灭的基因，作为分发和传播能力极强的方法，至今，协同过滤方法仍然在工业界有这广泛的应用。此案例中，同学们将亲手实践协同算法的威力。
02
基于NLP技术、Redis构建与存储内容画像
用户画像在推荐领域有着至关重要的作用，主流的协同以及今天大火的深度召回方法，如双塔、YouToBe召回方法等的情况下，基于用户画像的召回方法仍然适用，因其极具可控性与解释性，推荐领域，因其有这天然的业务性，导致推荐系统对可解释性要求极高，当出现推荐的bad case时，基于用户画像的召回策略是查找bad case的重要手段。
03
Item2Vec的实现
推荐业务领域常常有如下场景，相关推荐、猜你还喜欢等，熟悉吧？背后支持的算法和系统策略逻辑是什么呢？答案就在此案例中，类似的相关推荐场景，即为：根据现有物品推荐另一相关的物品或者商品，借助于用户行为与word2vec思路，将item Embedding引入此场景，并适当引入side info信息来做商品的相关推荐方法，此案例将为你揭晓其中的秘密。
04
FM方法的实现
MF(矩阵分解)算法作为推荐算法经典代表作之一，其是最早体现出Embedding泛化扩展思想的雏形；之后，FM(因子分解机)算法在MF(矩阵分解)基础之上发扬光大，将Embedding思想进一步引入传统的机器学习做推荐，FM算法看成推荐领域的万金油，召回、粗排、精排均可用FM实现，在深度学习上线资源较困难的情况下，可视为推荐领域的baseline的不二法门，此案例中，你将亲自感受FM算法的魅力。
05
Wide&Deep算法实现
推荐算法本质上就是在解决两个问题：记忆和泛化，传统的LR等模型，将大量的ID类稀疏特征直接喂给模型，再由广义线性模型直接学习这些ID类特征的权重，本质上就是模型对特征的简单粗暴的记忆，因此，泛化扩展性得不到保证，从未出现过的特征(如很重要的交叉特征等)，模型无法学习该特征权重，故特征的指征能力无法体现。
因此，深度学习模型引入Embedding稠密向量概念，将不同特征之间的一部分共性抽象出，放入Embedding空间进行学习，这样的操作可以近乎看作是模糊查找，具有较强的泛化能力，但记忆性显然不如LR等模型，wide&&deep的提出是兼容记忆性与泛化性的考虑，在此基础上，后续的DeepFM等模型，也只是在wide端加强了模型对特征的显式交叉，但架构本质与wide&&deep模型是一样的。此案例就来带大家实操WDL方法。
推荐系统工程师培养计划
助你成为行业TOP10%的工程师
对课程有意向的同学
扫描二维码咨询
04 学习收获
1. 掌握每一个核心技术点、学完之后在技术上可满足绝大部分推荐系统岗位的要求
2. 深入理解每一个技术背后的算法细节和全部推导过程
3. 通过大量案例的实战，达到学以致用的目的，并学习工业界一线的经验
4. 紧跟技术的发展、走在时代的前沿
05 课程适合谁？
大学生
l理工科相关专业的本科/硕士/博士生，毕业后想从事AI工作的人
l今后想从事推荐系统相关工作的人
l希望能够深入AI领域，为科研或者出国做准备
l希望系统性学习推荐相关的技术
在职人士
l目前从事IT相关的工作，今后想做跟推荐相关的项目
l目前从事AI相关的工作，希望与时俱进，加深对技术的理解
l希望能够及时掌握前沿技术
06 入学标准
1. 理工科相关专业学生，或者IT从业者
2. 具有良好的Python编程能力
3. 掌握机器学习基础（如线性回归、逻辑回归、SVM等）
07 报名须知
1. 本课程为收费教学。
2. 剩余名额有限。
3. 品质保障！正式开课后7天内，无条件全额退款。
4. 学习本课程需要具备一定的机器学习基础。
推荐系统工程师培养计划
助你成为行业TOP10%的工程师
对课程有意向的同学
扫描二维码咨询
