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
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 。

文章图片

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 。