01 | 技术架构：深度学习推荐系统的经典技术架构长啥样？
04 | 特征工程：推荐系统有哪些可供利用的特征？
06 | Embedding基础：所有人都在谈的Embedding技术到底是什么？
深度学习推荐系统实战
王喆
Roku 推荐系统架构负责人，前 hulu 高级研究员，《深度学习推荐系统》作者
10765 人已学习
立即订阅
登录后，你可以任选4讲全文学习
推荐试读
换一换
课程目录
已完结/共 44 讲
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！
特别加餐 | “银弹”不可靠，最优的模型结构该怎么找？
王喆 2020-12-02
你好，我是王喆。
推荐模型篇的课程到现在已经接近尾声了，我们也已经学习并且实践了六种深度学习推荐模型。最近，我发现很多同学会在留言区提出类似这样的问题：
老师，我的 Wide&Deep 模型在我的数据集上效果不好怎么办？
老师，是不是 DeepFM 模型的效果会比 NeuralCF 好？
老师，DIEN 模型是不是现在效果最好的模型？
其实，我完全理解同学们提问题的心情，就是希望在工作中通过不断地改进模型找到一个最强的模型，来尽快地提升推荐效果，击败当前的模型。我们团队中所有的新人也几乎都有这样的想法。
但是真的存在一个万能的模型结构，能在所有推荐系统上都达成最好的推荐效果吗？这节课，我希望我们能够放缓脚步，务虚一点，好好思考一下到底什么才是最好的模型结构，以及算法工程师正确的工作方法是什么。
有解决推荐问题的“银弹”吗？
在软件工程领域的著作《人月神话》中，作者 Brooks 凭借自己在 IBM 管理 2000 人完成大型项目的经验，得出了一个结论：没有任何技术或管理上的进展， 能够独立地许诺十年内使软件系统项目生产率、 可靠性或简洁性获得数量级上的进步。
Brooks 用“没有银弹”来形容这个结论。在欧洲的古老传说中，银色的子弹是能够一击杀死狼人这种怪物的特效武器。我们也可以把银弹理解成是最好的解决办法。“没有银弹”这个结论让很多期待寻找大型软件开发“捷径”的管理者和工程师们深感失望。但距离人月神话出版已经 45 年的今天，我们找到“银弹”了吗？
确认放弃笔记？
放弃后所记笔记将不保留。
新功能上线，你的历史笔记已初始化为私密笔记，是否一键批量公开？
批量公开的笔记不会为你同步至部落
公开
同步至部落
取消
完成
0/1000字
划线
笔记
复制
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
01 | 技术架构：深度学习推荐系统的经典技术架构长啥样？
04 | 特征工程：推荐系统有哪些可供利用的特征？
06 | Embedding基础：所有人都在谈的Embedding技术到底是什么？
12 | 局部敏感哈希：如何在常数时间内搜索Embedding最近邻？
24 | 离线评估：常用的推荐系统离线评估方法有哪些？
31｜模型迭代：阿里巴巴是如何迭代更新推荐模型的？
该试读文章来自付费专栏《深度学习推荐系统实战》，如需阅读全部文章，
请购买文章所属专栏
请购买文章所属专栏
立即购买
登录 后留言
精选留言(13)
张弛 Conor我认为“没有银弹”，对于算法工程师而言恰巧是最好的情况。如果存在银弹，那么所谓的“银弹”就成了主角，到时候哪怕是没有任何知识背景和经历经验的人，按照说明书一步步操作“银弹使用教程”，就能获得企业的商业目标，那么还要算法工程师干什么呢？我认为“没有银弹”，正是体现算法工程师价值的地方。
虽然还没有工作，但我非常认同老师所说的“没有最好，只有最合适”的观点。感觉大道相同，很多事情的基本哲学都是相似的。我认为对于算法工程师而言，了解最新的模型结构，拥有体系的算法知识固然重要，但是了解自身业务特点，并能挑选最合适的技术组件来解决问题才是算法工程师的核心竞争力。
最后，非常感谢老师分享了自身多年的从业经验和方法论，让我纠正了一些思维上的误区。作者回复: 非常非常好的感悟，推荐给其他在校的同学和刚工作的同学。
2020-12-0143
Leo Zhao很好的流程总结。我觉得 前面还要加入 如何把算法工程的目标与业务目标对接。毕竟业务目标是从上到下拆解出来的，每次拆解 都有信息缺失和假设在里面。建立与业务联系 是个艺术和经验问题，需要很大的智慧和对业务的理解。比如 推荐系统精度提高5个百分点 对销售增长的意义是什么。 在业务中 算法工程师不得不要与domain experts 充分融合。作者回复: 这一点非常非常好，涉及到跨团队合作和一些education的问题。有机会我在最后一章再总结一些经验，多谢分享！
2020-12-0212
范闲作为一个服务端，看深度学习推荐系统和这个课程感触比较深的是
1.除了不涉及模型部分，其他技术栈基本一致，要求上更高一点
2.算法模型的落地也是因时因地制宜，和系统工程架构殊途同归，最终都是妥协和折中的结果。
3.没有银弹，从本质上来说我们更需要站到业务的角度来将业务问题技术化。站在技术的角度来看，如何探索新的可能性来提高业务的效率与收益。
4.业务与技术最终还是齐头并进的。作者回复: 非常好的感触分享。
所以我一直跟带过的新人强调，算法工程师首先是一名工程师，不能总盯着算法模型，它们是重要的，但远不是推荐系统的全部。
在实际的工作中，我们永远需要的是技术栈全面的工程师，能把你的机器学习知识落地才是真的影响力。
永远要避免学生思维，唯技术论，被所谓前沿技术奴役，而不是你去驾驭技术。一天不去除这个概念，就一天不会入高级工程师的门。2020-12-038
那时刻老师提到的避免学生思维颇有感触，从学生时代积累下的思维习惯，使我们想要一个标准答案，缺少了自己去探索与以反向思维去挑战答案。对于数据处理工作尤其明显，首先对于要处理的数据有清晰地认识，然后再依据数据特征去尝试模型，模型结果不理想的话，再返回来重新认识数据和对数据进行特征工程处理，再次尝试模型后者其它模型。感谢老师分享经验，以及模型的介绍，建立我们自己的知识体系，这样方便我们在实际工作中应用。作者回复: 非常好的感想，推荐给其他同学。也期待后续多分享自己的经验和总结，多谢分享！
2020-12-023
小匚在选择模型时确实会看看某个功能的模型，最传统长什么样，最潮流最新的又是什么样。倒也不是追时尚，只是能明白这个模型哪个地方其实是可以调的，哪里可以换一下或者有其他的。具体决定用哪个还是要看业务和数据。作者回复: 是这样。对于最新的模型，借鉴思路是最重要的，不要追求完美复制，不要过多质疑为什么新的模型在你的场景不work。合适的才是最重要的。
2020-12-012
🍃本来还有各种焦虑，要怎么选模型，现在打消顾虑。与其找银弹，不如去适合当前场景的子弹。不存在万能，这也是算法工程师存在的意义。算法工程师除了具备机器学习、深度学习的基础知识，还得具备工程能力，最重要的能力是用这些手段实现业务需求，并不断自我思考，自我改进。做这个工作的乐趣也在于自我审视中成长！玄学炼丹，还有点哲学。作者回复: 说的很好
2021-05-082
FayeChen老师我想请教一下，我是做楼盘推荐的，楼盘就有价格、面积这些属性，业务方希望对一个特定用户推荐的楼盘价格、面积的方差不要过大，我也明白这个要求非常合理， 但是模型结果有的时候是不受控制的，很难避免bad case 的发生。这个算是排序层后续的补充策略，希望老师能就这种带约束条件的推荐方法进行补充。作者回复: 这是一个比较特例的业务问题，不好讲有没有通用的解决策略。还是要你们自己从业务出发想一些约束和过滤方法。我们课程还是以通用的框架和原理讲解为主。
2021-03-2121
大魔王非常赞同老师说的作者回复: thumbs up
2020-12-011
feihui如果存在所谓的银弹，干点的不是狼人而是我们作者回复: 一针见血
2021-09-301- Geek_8a732a需要保持对前沿技术的敏感性，但也不必过于热衷，更重要的是能明白，什么样的技术可以解决什么样的问题，还是需要以落地为主2021-08-22
- 南海长风九万里这波加餐量太足了 哭了
作者回复: 加油
2021-07-01 
sljoai受益匪浅！作者回复: 赞
2020-12-02
浣熊当家非常有帮助！！在学习了技术细节后，特别想听这种思维模式的指导，很难得，感谢老师作者回复: 最后一章会再总结分享一些经验，也欢迎多分享自己的想法。
2020-12-011
收起评论