《深度学习推荐系统实战》 学习笔记

13 | 模型服务：怎样把你的离线模型部署到线上？ 在实验室的环境下，我们经常使用 Spark MLlib、TensorFlow、PyTorch 这些流行的机器学习库来训练模型，因为不用直接服务用户，

在深度学习推荐系统中，我们经常采用 Embedding 召回这一准确又便捷的方法。但是，在面对百万甚至更高量级的候选集时，线性地逐一计算 Embedding 间的相似度，往往会造成极大的服务延迟。这个

11 | 召回层：如何快速又准确地筛选掉不相关物品？ 召回层和排序层的功能特点 如何理解“单策略召回”方法？ 单策略召回指的是，通过制定一条规则或者利用一个简单模型来快速地召回可能的相关物品。 这里的

10 | 存储模块：如何用Redis解决推荐系统特征的存储问题？ 推荐系统存储模块的设计原则 你可能会觉得，存储推荐特征和模型这件事情一点儿都不难啊。不就是找一个数据库把离线的特征存起来，然后再给推荐

09 | 线上服务：如何在线上提供高并发的推荐服务？ 一个工业级的推荐服务器内部究竟都做了哪些事情？像阿里、字节、腾讯这样级别的公司，它们的推荐系统是怎么承接住每秒百万甚至上千万的推荐请求的？我们自己

答疑 | 基础架构篇+特征工程篇常见问题解答 问题 1：因为没有项目经验，想知道把 Sparrow Recys 项目 git clone 到本地之后，怎么运行这个 Maven project？ 问题

08 | Embedding实战：如何使用Spark生成Item2vec和Graph Embedding？ Item2vec：序列数据的处理 我们知道，Item2vec 是基于自然语言处理模型 Wor

07 | Embedding进阶：如何利用图结构数据生成Graph Embedding？ 上一节课，我们一起学习了 Embedding 技术。我们知道，只要是能够被序列数据表示的物品，都可以通过 It

什么是 Embedding？简单来说，Embedding 就是用一个数值向量“表示”一个对象（Object）的方法，我这里说的对象可以是一个词、一个物品，也可以是一部电影等等。但是“表示”这个词是什么

05 | 特征处理：如何利用Spark解决特征处理问题？ 下面，我们就看看 SparrowRecsys 是如何利用 Spark 完成这一过程的。这里，我们使用 Spark 的机器学习库 MLlib 来

04 | 特征工程：推荐系统有哪些可供利用的特征？ 在这个系统之中，特征工程就是利用工程手段从“用户信息”“物品信息”“场景信息”中提取特征的过程。这个过程说起来容易，但实际做起来其实困难重重。比如说

问答题第一题：通过阅读 SparrowRecSys 的代码，你能找到首页中每行内部的电影都是按照什么排序的吗？ 第二道题：如果你已经发现了排序的规则，你能在推荐服务器的代码里添加一个叫“热度”（pop

关于深度学习推荐系统，我有这些资料想推荐给你 如果你在学习第 3 节课的时候有一些困难，就说明你对机器学习的一些基础概念还不太清楚，我希望你能继续巩固机器学习的基础知识，这里我推荐三本书，你根据自己的

03 | 深度学习基础：你打牢深度学习知识的地基了吗？ 一切要从一个神经元开始 在接收到其他神经元的信号后，细胞体会根据这些信号改变自己的状态，变成“激活态”还是“未激活态”。具体的状态取决于输入信号

02 | Sparrow RecSys：我们要实现什么样的推荐系统？ 你跟着我的讲解，只需要花三十分钟的时间，就能将一套完整的深度学习推荐系统，Sparrow RecSys（随着课程的进行，我们会逐渐

01 | 技术架构：深度学习推荐系统的经典技术架构长啥样？ 清楚了这些信息的定义，推荐系统要处理的问题就可以被形式化地定义为：对于某个用户U（User），在特定场景C（Context）下，针对海量的“

开篇词 | 从0开始搭建一个深度学习推荐系统 这门课是怎么设计的？ 一句话来说，这门课程是一门知识与实践并重的课程，通过解决 30+ 个深度学习推荐系统问题，不仅能串联起深度学习推荐系统的知识体系，还