课程简介：

整个课程的结构遵循经典推荐系统的框架，共分为 6 个模块，分别是“基础架构篇”“特征工程篇”“线上服务篇”“推荐模型篇”“效果评估篇”“前沿拓展篇”。

基础架构篇：从宏观上，帮你建立起深度学习推荐系统的完整知识架构，做到“心中有高楼，并且手把手教你在自己的电脑上安装我们要实现的推荐系统 Sparrow RecSys ，建立初步的全局印象。

特征工程篇：重点讨论推荐系统会用到的特征，以及主要的特征处理方式，并在 Spark 上进行实践。此外，你还会学习到深度学习中非常流行的 Embedding、Graph Embedding 技术，并利用它们实现 Sparrow Recsys 中的相似电影推荐功能，在实践中快速成长。

线上服务篇：这一篇，你会实打实地搭建一个推荐服务器，它包括了服务器、存储、缓存、模型服务等模块和相关知识。通过这部分的学习，你会初步掌握 Jetty Server、Spark、Redis 等业界主流工具的使用，以及一个推荐工程师在工程领域的核心技能。

推荐模型篇：推荐模型是深度学习对传统推荐系统改进最大的地方，可以说是“推荐系统上的明珠”，也是整个专栏的重中之重。从中，你不仅可以学到 Embedding+MLP 、Wide&Deep、PNN 等深度学习模型的架构和 TensorFlow 实现，还能接触到注意力机制、序列模型、增强学习这些相关领域的前沿知识，拓宽技术视野。

效果评估篇：重点讲解效果评估的主要方法和指标，帮助你建立起包括线下评估、线上 AB 测试、评估反馈闭环的整套评估体系，真正能够用业界的方法而不是实验室的指标来评价一个推荐系统。

前沿拓展篇：围绕 YouTube、阿里巴巴、微软、Pinterest 等一线公司的深度学习推荐系统方案进行讲解，帮助你追踪业界发展的最新趋势，能融汇贯通地串联起整个知识体系。

课程目录：

├──01-开篇词 (1讲)-更多精彩课程请加AG1101201
| ├──开篇词｜从0开始搭建一个深度学习推荐系统.html 3.48M
| ├──开篇词｜从0开始搭建一个深度学习推荐系统.m4a 9.65M
| └──开篇词｜从0开始搭建一个深度学习推荐系统.pdf 2.78M
├──02-基础架构篇 (3讲)-更多精彩课程请加AG1101201
| ├──01｜深度学习推荐系统的经典技术架构长啥样？.html 4.58M
| ├──01｜深度学习推荐系统的经典技术架构长啥样？.m4a 11.68M
| ├──01｜深度学习推荐系统的经典技术架构长啥样？.pdf 3.80M
| ├──02｜SparrowRecSys：我们要实现什么样的推荐系统？.html 17.05M
| ├──02｜SparrowRecSys：我们要实现什么样的推荐系统？.m4a 9.09M
| ├──02｜SparrowRecSys：我们要实现什么样的推荐系统？.pdf 17.25M
| ├──03｜深度学习基础：你打牢深度学习知识的地基了吗？.html 3.94M
| ├──03｜深度学习基础：你打牢深度学习知识的地基了吗？.m4a 11.50M
| └──03｜深度学习基础：你打牢深度学习知识的地基了吗？.pdf 2.57M
├──03-国庆策划 (2讲)-更多精彩课程请加AG1101201
| ├──国庆策划丨关于深度学习推荐系统，我有这些资料想推荐给你.html 3.73M
| ├──国庆策划丨关于深度学习推荐系统，我有这些资料想推荐给你.m4a 5.82M
| ├──国庆策划丨关于深度学习推荐系统，我有这些资料想推荐给你.pdf 2.47M
| ├──国庆策划丨深度学习推荐系统基础，你掌握了多少？.html 2.20M
| ├──国庆策划丨深度学习推荐系统基础，你掌握了多少？.m4a 590.34kb
| └──国庆策划丨深度学习推荐系统基础，你掌握了多少？.pdf 1.16M
├──04-特征工程篇 (6讲)-更多精彩课程请加AG1101201
| ├──04｜特征工程：推荐系统有哪些可供利用的特征？.html 4.59M
| ├──04｜特征工程：推荐系统有哪些可供利用的特征？.m4a 11.10M
| ├──04｜特征工程：推荐系统有哪些可供利用的特征？.pdf 2.89M
| ├──05｜特征处理：如何利用Spark解决特征处理问题？.html 3.93M
| ├──05｜特征处理：如何利用Spark解决特征处理问题？.m4a 10.94M
| ├──05｜特征处理：如何利用Spark解决特征处理问题？.pdf 2.45M
| ├──06｜Embedding：所有人都在谈的Embedding技术到底是什么？.html 6.19M
| ├──06｜Embedding：所有人都在谈的Embedding技术到底是什么？.m4a 11.96M
| ├──06｜Embedding：所有人都在谈的Embedding技术到底是什么？.pdf 3.63M
| ├──07｜Embedding进阶：如何利用图结构数据生成GraphEmbedding？.html 6.44M
| ├──07｜Embedding进阶：如何利用图结构数据生成GraphEmbedding？.m4a 12.18M
| ├──07｜Embedding进阶：如何利用图结构数据生成GraphEmbedding？.pdf 4.18M
| ├──08｜Embedding实战：如何使用Spark生成Item2vec和GraphEmbedding？.html 6.07M
| ├──08｜Embedding实战：如何使用Spark生成Item2vec和GraphEmbedding？.m4a 8.39M
| ├──08｜Embedding实战：如何使用Spark生成Item2vec和GraphEmbedding？.pdf 3.90M
| ├──答疑丨基础架构篇+特征工程篇常见问题解答.html 2.12M
| ├──答疑丨基础架构篇+特征工程篇常见问题解答.m4a 9.63M
| └──答疑丨基础架构篇+特征工程篇常见问题解答.pdf 1.15M
├──05-线上服务篇 (7讲)-更多精彩课程请加AG1101201
| ├──09｜线上服务：如何在线上提供高并发的推荐服务？.html 3.79M
| ├──09｜线上服务：如何在线上提供高并发的推荐服务？.m4a 9.88M
| ├──09｜线上服务：如何在线上提供高并发的推荐服务？.pdf 2.34M
| ├──10｜存储模块：如何用Redis解决推荐系统特征的存储问题？.html 5.60M
| ├──10｜存储模块：如何用Redis解决推荐系统特征的存储问题？.m4a 9.70M
| ├──10｜存储模块：如何用Redis解决推荐系统特征的存储问题？.pdf 3.63M
| ├──11｜召回层：如何快速又准确地筛选掉不相关物品？.html 3.54M
| ├──11｜召回层：如何快速又准确地筛选掉不相关物品？.m4a 8.46M
| ├──11｜召回层：如何快速又准确地筛选掉不相关物品？.pdf 2.54M
| ├──12丨 局部敏感哈希：如何在常数时间内搜索Embedding最近邻？.html 5.38M
| ├──12丨 局部敏感哈希：如何在常数时间内搜索Embedding最近邻？.m4a 11.47M
| ├──12丨 局部敏感哈希：如何在常数时间内搜索Embedding最近邻？.pdf 3.66M
| ├──13丨 模型服务：怎样把你的离线模型部署到线上？.html 5.27M
| ├──13丨 模型服务：怎样把你的离线模型部署到线上？.m4a 11.78M
| ├──13丨 模型服务：怎样把你的离线模型部署到线上？.pdf 3.76M
| ├──14丨 融会贯通：SparrowRecSys中的电影相似推荐功能是如何实现的？.html 13.51M
| ├──14丨 融会贯通：SparrowRecSys中的电影相似推荐功能是如何实现的？.m4a 11.04M
| ├──14丨 融会贯通：SparrowRecSys中的电影相似推荐功能是如何实现的？.pdf 10.03M
| ├──答疑丨 线上服务篇留言问题详解.html 3.77M
| ├──答疑丨 线上服务篇留言问题详解.m4a 9.64M
| └──答疑丨 线上服务篇留言问题详解.pdf 3.68M
├──06-推荐模型篇 (12讲)-更多精彩课程请加AG1101201
| ├──15丨 协同过滤：最经典的推荐模型，我们应该掌握什么？.html 5.48M
| ├──15丨 协同过滤：最经典的推荐模型，我们应该掌握什么？.m4a 9.96M
| ├──15丨 协同过滤：最经典的推荐模型，我们应该掌握什么？.pdf 3.43M
| ├──16丨 深度学习革命：深度学习推荐模型发展的整体脉络是怎样的？.html 5.86M
| ├──16丨 深度学习革命：深度学习推荐模型发展的整体脉络是怎样的？.m4a 10.87M
| ├──16丨 深度学习革命：深度学习推荐模型发展的整体脉络是怎样的？.pdf 4.10M
| ├──17 _ Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？.html 5.08M
| ├──17 _ Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？.pdf 3.51M
| ├──17丨Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？.m4a 11.14M
| ├──18｜Wide&Deep：怎样让你的模型既有想象力又有记忆力？.html 3.55M
| ├──18｜Wide&Deep：怎样让你的模型既有想象力又有记忆力？.pdf 2.37M
| ├──18丨Wide&Deep：怎样让你的模型既有想象力又有记忆力？.m4a 9.28M
| ├──19｜NeuralCF：如何用深度学习改造协同过滤？.html 4.12M
| ├──19｜NeuralCF：如何用深度学习改造协同过滤？.pdf 2.81M
| ├──19丨NeuralCF：如何用深度学习改造协同过滤？.m4a 8.67M
| ├──20 _ DeepFM：如何让你的模型更好地处理特征交叉？.html 4.49M
| ├──20 _ DeepFM：如何让你的模型更好地处理特征交叉？.pdf 3.16M
| ├──20丨DeepFM：如何让你的模型更好地处理特征交叉？.m4a 9.21M
| ├──21｜注意力机制、兴趣演化：推荐系统如何抓住用户的心？.html 5.47M
| ├──21｜注意力机制、兴趣演化：推荐系统如何抓住用户的心？.pdf 3.79M
| ├──21丨注意力机制、兴趣演化：推荐系统如何抓住用户的心？.m4a 11.50M
| ├──22｜强化学习：让推荐系统像智能机器人一样自主学习.html 6.48M
| ├──22｜强化学习：让推荐系统像智能机器人一样自主学习.pdf 4.43M
| ├──22丨强化学习：让推荐系统像智能机器人一样自主学习.m4a 11.05M
| ├──23｜ 实战：如何用深度学习模型实现Sparrow RecSys的个性化推荐功能？.html 7.39M
| ├──23｜ 实战：如何用深度学习模型实现Sparrow RecSys的个性化推荐功能？.pdf 8.19M
| ├──23丨实战：如何用深度学习模型实现SparrowRecSys的个性化推荐功能？.m4a 10.38M
| ├──模型实战准备（二） _ 模型特征、训练样本的处理.html 6.94M
| ├──模型实战准备（二） _ 模型特征、训练样本的处理.pdf 4.78M
| ├──模型实战准备（二）丨模型特征、训练样本的处理.m4a 10.30M
| ├──模型实战准备（一）丨 TensorFlow入门和环境配置.html 5.36M
| ├──模型实战准备（一）丨 TensorFlow入门和环境配置.m4a 9.86M
| ├──模型实战准备（一）丨 TensorFlow入门和环境配置.pdf 3.55M
| ├──特别加餐 _ “银弹”不可靠，最优的模型结构该怎么找？.html 2.17M
| ├──特别加餐 _ “银弹”不可靠，最优的模型结构该怎么找？.pdf 1.26M
| └──特别加餐丨“银弹”不可靠，最优的模型结构该怎么找？.m4a 9.74M
├──07-模型评估篇 (5讲)-更多精彩课程请加AG1101201
| ├──24丨离线评估：常用的推荐系统离线评估方法有哪些？.html 3.28M
| ├──24丨离线评估：常用的推荐系统离线评估方法有哪些？.m4a 9.22M
| ├──24丨离线评估：常用的推荐系统离线评估方法有哪些？.pdf 2.25M
| ├──25丨评估指标：我们可以用哪些指标来衡量模型的好坏？.html 4.55M
| ├──25丨评估指标：我们可以用哪些指标来衡量模型的好坏？.m4a 14.23M
| ├──25丨评估指标：我们可以用哪些指标来衡量模型的好坏？.pdf 3.15M
| ├──26丨在线测试：如何在推荐服务器内部实现AB测试？.html 3.98M
| ├──26丨在线测试：如何在推荐服务器内部实现AB测试？.m4a 10.99M
| ├──26丨在线测试：如何在推荐服务器内部实现AB测试？.pdf 2.69M
| ├──27丨评估体系：如何解决AB测试资源紧张的窘境？.html 5.64M
| ├──27丨评估体系：如何解决AB测试资源紧张的窘境？.m4a 11.00M
| ├──27丨评估体系：如何解决AB测试资源紧张的窘境？.pdf 4.28M
| ├──特别加餐丨TensorFlow的模型离线评估实践怎么做？.html 3.61M
| ├──特别加餐丨TensorFlow的模型离线评估实践怎么做？.m4a 6.71M
| └──特别加餐丨TensorFlow的模型离线评估实践怎么做？.pdf 1.98M
├──08-前沿拓展篇 (6讲)-更多精彩课程请加AG1101201
| ├──28丨业界经典：YouTube深度学习推荐系统的经典架构长什么样？.html 4.62M
| ├──28丨业界经典：YouTube深度学习推荐系统的经典架构长什么样？.m4a 12.21M
| ├──28丨业界经典：YouTube深度学习推荐系统的经典架构长什么样？.pdf 3.13M
| ├──29丨图神经网络：Pinterest是如何应用图神经网络的？.html 8.13M
| ├──29丨图神经网络：Pinterest是如何应用图神经网络的？.m4a 10.74M
| ├──29丨图神经网络：Pinterest是如何应用图神经网络的？.pdf 6.33M
| ├──30丨流处理平台：Flink是如何快速识别用户兴趣，实现实时推荐的？.html 4.51M
| ├──30丨流处理平台：Flink是如何快速识别用户兴趣，实现实时推荐的？.m4a 9.17M
| ├──30丨流处理平台：Flink是如何快速识别用户兴趣，实现实时推荐的？.pdf 3.28M
| ├──31丨模型迭代：阿里巴巴是如何迭代更新推荐模型的？.html 9.10M
| ├──31丨模型迭代：阿里巴巴是如何迭代更新推荐模型的？.m4a 9.43M
| ├──31丨模型迭代：阿里巴巴是如何迭代更新推荐模型的？.pdf 5.67M
| ├──32丨强化学习案例：美团是如何在推荐系统中落地强化学习的？.html 3.73M
| ├──32丨强化学习案例：美团是如何在推荐系统中落地强化学习的？.m4a 9.59M
| ├──32丨强化学习案例：美团是如何在推荐系统中落地强化学习的？.pdf 2.76M
| ├──33丨技术权衡：解决方案这么多，哪个最合适？.html 5.83M
| ├──33丨技术权衡：解决方案这么多，哪个最合适？.m4a 11.53M
| └──33丨技术权衡：解决方案这么多，哪个最合适？.pdf 3.68M
└──09-结束语 (2讲)-更多精彩课程请加AG1101201
| ├──34丨结束语丨深度学习时代需要什么样的推荐工程师？.html 5.21M
| ├──34丨结束语丨深度学习时代需要什么样的推荐工程师？.m4a 10.73M
| ├──34丨结束语丨深度学习时代需要什么样的推荐工程师？.pdf 3.64M
| ├──35丨期末考试丨“深度学习推荐系统”100分试卷等你来挑战！.html 2.42M
| └──35丨期末考试丨“深度学习推荐系统”100分试卷等你来挑战！.pdf 1.40M