手把手带你搭建推荐系统

理论 + 实践，打造千人千面的推荐系统 黄鸿波 谷歌开发者专家，知名游戏公司技术专家

你将获得

• 完整的企业级推荐系统服务及代码
• 经典推荐系统架构案例剖析
• 6+ 主流推荐算法及适用场景精讲
• 可复用的推荐系统工程化部署方案

课程介绍

在推荐算法刚刚兴起的时候，基本上只要懂一些推荐系统算法的理论，就能够找到一份推荐算法相关的工作。但现在，只有对推荐系统整个的运转流程有了足够的了解，才能够获得企业的青睐。要想拥有推荐系统的全局视角，掌握在面对不同问题时灵活变通的方法，demo 级别的训练远远不够。

为此，我们特地邀请到了在算法和深度学习领域深耕多年的黄鸿波老师，他将提供一整套推荐系统的工程化方案，带你从获取真实的原始数据开始，通过数据处理、特征采集、内容画像、用户画像等一系列步骤，最终把整个系统部署和发布到 Linux 系统上。

同时，这门课程采用环环相扣的讲解方式：前面讲到的内容，一定是后面的系统搭建中的一步。通过这个方式，你能有效掌握推荐系统的全流程，避免“一学就会，一用就废”。

课程设计

整个专栏分为 7 个模块。

架构篇

为你提供了解推荐系统概念和功能宏观视角。以 Netflix 系统为例，带你推荐系统的工作原理，展示推荐系统的运作流程和优化策略，从而让你对推荐系统的实践应用有一个整体认识。

数据篇

深入探讨推荐系统所依赖的数据处理流程。先学习爬虫和数据库的原理和使用方法，然后从新闻网站中爬取数据，将它们作为我们的原始数据集。接下来，使用 NLP、Python 等技术对数据进行简单的特征工程处理，形成内容画像系统。

召回篇：基于规则的召回

利用数据篇得到的数据，进行一些基于规则的召回。在讲解什么是召回、为什么需要召回以及召回的种类的同时，深入研究召回对于推荐系统的影响，以及如何选择最优的召回策略。

服务搭建篇

将数据拼装后，绑定到界面进行内容推荐。本章将为你提供一个简单的推荐系统 Web 界面，带领你在这个界面的基础上调用 Flask 提供的 webservice 接口，完成内容推荐。

召回篇：经典召回算法

深入探讨包括协同过滤、基于 Embedding 的召回以及基于深度学习的召回等一系列经典召回算法，针对这些算法做不同的特征处理，并将它们与数据库、数据集结合起来。

排序篇

讲解经典排序算法，包括 GBDT、LR、DeepFM、重排序等，充分利用现有数据，与上一章的推荐系统流程结合，用真实案例加深你对这些算法特点及适用场景的理解。

部署篇

带你使用 TensorFlow Serving 来进行服务的部署和搭建，完成一个真正的企业级推荐系统。此外，还会对推荐系统进行一个整体的回顾，带你从全局视角来观察企业级推荐系统如何在线上运作。

资源下载 (opens new window)提取码：http://dt3.8tupian.net/2/29369a282b200.pg1