你将获得什么？
- 深度学习推荐系统的经典技术架构
- Spark、TensorFlow、Flink 等主流工具的实践经验
- Embedding 和多种深度推荐模型的原理和实现
- 亲手搭建一个完整的深度学习推荐系统
课程简介
近年来，深度学习已成为了驱动推荐、广告、搜索业务的最强引擎。天猫每次双十一 2000 亿以上的惊人成交量，抖音 4 年时间用户日活破 6 亿，这背后都有深度学习的强劲助力。
与此同时，深度学习方向的推荐算法工程师，也因为高薪、名企这些标签，成为工程师们求职的热点。
与之伴随的是人才的高竞争和知识的快迭代，在深度学习时代，想要成为一名优秀的推荐工程师，我们不应该只满足于继续使用协同过滤、矩阵分解这类传统方法，而应该加深对深度学习模型的理解，加强对大数据平台的熟悉程度，培养与业务相结合的技术直觉，提高我们整体的技术格局，这些才是我们能否取得成功的关键。
针对上面的目标，王喆老师根据自己多年的推荐系统从业经验，梳理出了深度学习推荐系统的知识架构，并期望在这门课中和你一起从 0 搭建一个“工业级”的深度学习推荐系统，实现理论、实战两手抓！
课程模块设计
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
开篇词 (1讲)
开篇词 | 从0开始搭建一个深度学习推荐系统
基础架构篇 (5讲)
01 | 技术架构：深度学习推荐系统的经典技术架构长啥样？
02 | Sparrow RecSys：我们要实现什么样的推荐系统？
03 | 深度学习基础：你打牢深度学习知识的地基了吗？
国庆策划 | 关于深度学习推荐系统，我有这些资料想推荐给你
国庆策划 | 深度学习推荐系统基础，你掌握了多少？
特征工程篇 (6讲)
04 | 特征工程：推荐系统有哪些可供利用的特征？
05 | 特征处理：如何利用Spark解决特征处理问题？
06 | Embedding基础：所有人都在谈的Embedding技术到底是什么？
07 | Embedding进阶：如何利用图结构数据生成Graph Embedding？
08 | Embedding实战：如何使用Spark生成Item2vec和Graph Embedding？
答疑 | 基础架构篇+特征工程篇常见问题解答
线上服务篇 (7讲)
09 | 线上服务：如何在线上提供高并发的推荐服务？
10 | 存储模块：如何用Redis解决推荐系统特征的存储问题？
11 | 召回层：如何快速又准确地筛选掉不相关物品？
12 | 局部敏感哈希：如何在常数时间内搜索Embedding最近邻？
13 | 模型服务：怎样把你的离线模型部署到线上？
14 | 融会贯通：Sparrow RecSys中的电影相似推荐功能是如何实现的？
答疑 | 线上服务篇留言问题详解
推荐模型篇 (12讲)
15 | 协同过滤：最经典的推荐模型，我们应该掌握什么？
16 | 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？
模型实战准备（一） | TensorFlow入门和环境配置
模型实战准备（二） | 模型特征、训练样本的处理
17 | Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？
18｜Wide&Deep：怎样让你的模型既有想象力又有记忆力？
19｜NeuralCF：如何用深度学习改造协同过滤？
20 | DeepFM：如何让你的模型更好地处理特征交叉？
21｜注意力机制、兴趣演化：推荐系统如何抓住用户的心？
22｜强化学习：让推荐系统像智能机器人一样自主学习
特别加餐 | “银弹”不可靠，最优的模型结构该怎么找？
23｜ 实战：如何用深度学习模型实现Sparrow RecSys的个性化推荐功能？
模型评估篇 (5讲)
24 | 离线评估：常用的推荐系统离线评估方法有哪些？
25 | 评估指标：我们可以用哪些指标来衡量模型的好坏？
特别加餐｜TensorFlow的模型离线评估实践怎么做？
26 | 在线测试：如何在推荐服务器内部实现A/B测试？
27 | 评估体系：如何解决A/B测试资源紧张的窘境？
前沿拓展篇 (6讲)
28 | 业界经典：YouTube深度学习推荐系统的经典架构长什么样？
29 | 图神经网络：Pinterest是如何应用图神经网络的？
30 | 流处理平台：Flink是如何快速识别用户兴趣，实现实时推荐的？
31｜模型迭代：阿里巴巴是如何迭代更新推荐模型的？
32 | 强化学习案例：美团是如何在推荐系统中落地强化学习的？
33｜技术权衡：解决方案这么多，哪个最合适？
结束语 (2讲)
结束语｜深度学习时代需要什么样的推荐工程师？
期末考试 | “深度学习推荐系统”100分试卷等你来挑战！