课程背景
个性化推荐已成为各互联网产品的标配，随着它在各大厂的火热，很多程序员都想要学习了解推荐系统的相关技术。
然而想要自学并非易事，面临不少挑战：
对推荐系统认知有偏差，以为只有高深的算法才能搭建出好的推荐系统，没有抓住真正的学习重点
因为无实践，对于推荐系统的产生不知所云，更不知需要哪些知识，学习效率低下
……
那么，掌握推荐系统应该学习哪些知识，建立系统知识体系？一个有效的推荐系统，该用哪种推荐算法来解决问题？
课程简介
专栏作者已有近 10 年推荐系统相关经验，他将自己丰富的实战经验浓缩与提炼，把学习推荐算法划分成了 6 大阶段，对应专栏 5 大内容模块，带你高效学习了解推荐系统的相关知识脉络、推荐算法的基本原理，并结合 58 集团的实践案例帮你融会贯通。
① 模块一：推荐系统基础篇
这一模块重点讲解推荐系统有关的理念、基础数据体系搭建等知识。你将快速掌握互联网业务场景、推荐系统的作用、埋点上报、用户和物品画像，以及标签挖掘、AB 测试系统等基础系统做法。
②模块二：传统推荐算法的演化之路
此模块主要讲解相对容易的传统机器学习推荐算法，这是推荐算法的基础。学完这部分知识，你将掌握传统经典推荐算法的原理，以及传统推荐算法的发展脉络。
③模块三：深度学习推荐算法的演化之路
这一模块是本专栏的重点，难度较大，主要从系统化的角度讲解 20+ 种常见的深度学习推荐算法。学完这部分知识，你将真正掌握最有影响力的深度学习推荐算法及其发展脉络，从而向更高、更远的算法工作前进。
④模块四：推荐系统绕不开的经典问题
这一模块是进阶内容，这些问题也是在你在落地过程中一定会遇到的。本模块内容在传统推荐算法基础上，继续结合模型的发展脉络，以及迁移学习、强化学习等实际业务落地场景，讲解推荐领域独特的问题及经典问题的解法，增强你解决实际问题的能力。学完后，你将知晓如何在特有场景下通过推荐算法做好一个推荐系统。
⑤模块五：推荐系统理论与实战篇
这一模块是拔高内容，将之前模块所学的推荐系统知识体系和脉络进一步梳理，并以 58 同城本地服务业务为背景，介绍如何根据实际业务构建流量分发体系，以及在体系分层优化中如何结合算法和工程能力，实现推荐算法综合及工程化实践方案的落地。
课程目录
开篇词
开篇词 | 如何根据规律在变化中求发展？
模块一 推荐系统基础篇
01 | 数据采集层：流量分发第一步——规范采集海量数据
02 | 数据加工层（上）：如何搭建用户与内容的标准规范体系？
03 | 数据加工层（下）：如何精准匹配用户画像与物品画像？
04 | 效用评测层：显性指标+标准方法，对推荐效果定量评测
模块二 传统机器学习推荐算法的演化
05 | 以物品与用户为基础，个性化推荐算法的四大策略
06 | 人以群分，基于邻域的协同过滤算法
07 | 物以类聚，基于特征的七种算法模型
模块三 深度学习推荐算法的演化
08 | 模型演化根本：深度学习推荐算法的五大范式组件
09 | 深度推荐模型演化中的“平衡与不平衡“组合规律
10 | 深度推荐模型演化中的“更深与更专注“进阶路径
11 | 深度推荐模型演化中的“范式替换“灵活组合
模块四 推荐系统绕不开的经典问题
12 | 用户行为关联与推荐：多目标与多任务学习
13 | 用户兴趣探索与开发：深度学习与强化学习
14 | 新用户与新物品涌入：冷启动难题破解之道
模块五 58 本地服务业务的推荐系统实战
15 | 58 本地服务业务中的推荐系统实战——工程篇
16 | 58 本地服务业务中的推荐系统实战——算法篇
结束语
结束语 | 推荐系统方案中，那些不得不知的坑
讲师简介
陈琳，58集团算法部门负责人，前阿里巴巴算法专家
江湖人称“大师兄”，58 集团本地服务事业群算法策略部负责人，负责 58 集团本地服务业务算法开发工作，带领团队从 0 到 N 构建推荐系统工程和算法体系，在搜索推荐等算法技术领域深耕多年，擅长流量分发方向产品技术。