带你从 0 到 1 搭建工业级推荐系统
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。

〖课程截图〗:

├──jk60801-深度学习推荐系统实战(PDF+MP3+HTML完结)

|   ├──01-开篇词 (1讲)

|   |   ├──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)

|   |   ├──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)

|   |   ├──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)

|   |   ├──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)

|   |   ├──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)

|   |   ├──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)

|   |   ├──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)

|   |   ├──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)

|   |   ├──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