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 。

文章图片

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 。

文章图片

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
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 。