课程结束啦，完结撒花！这一个季度在王喆老师的教导下，从0到1搭建起推荐系统知识框架，不管是理论讲解还是实战操作，老师都讲的非常细致，耐心回答每一个学员的问题，在这里给老师鞠一个90度躬，王老师，您辛苦了！ 这一个季度以来，每到周1,3,5早上，上班的路上听着老师的课程，下班回来复习实践，即使现在结束了，也是反复听着以前的章节，每次都会感觉有新收获。认真揣摩老师讲的每一句话，都是自己多年来真实的工作体验精华总结，有些可能我现在感受不到，相信会在以后学习工作中，体会会越来越深刻。这是目前我在极客时间学过最好课程，当之无愧！ 课程虽然结束了，但是自己在推荐系统这条路还刚刚开始，正如老师文中所述‘这是一个充满魅力和激情的工作’，在以后时间里，在老师帮忙搭建起知识框架里继续添枝加叶，细化知识要点，努力为之付出一个长长的职业生涯！

结束是一段路程的最后一程，又是新梦想的开始。感谢王喆老师在2020这个普遍大家都不好过，厚积薄发的日子送给我们工作和生活上的冬日暖阳，多的是激动和不舍~ 这一季度走来，跟着王老师的节奏，我们建立了推荐系统知识体系和工程经验，领悟更多的是对待工程上需要灵活机动，游刃有余，集思广益，不能陷入局部，在思想上钻牛角尖以至于无法到达目标的彼岸~ 我相信，课程的结束是另一个开始，在之后的工作当中，带着疑惑和新的感悟找到课程相应的章节找解决思路，不断完善和更新对知识的理解~ 在这里，还要给王喆老师一个大大的赞~ 谢谢啦

很幸运能在自己对职业规划迷茫的时候遇到王喆老师的这门课程。“推荐工程师这条职业道路并不是一条容易的道路”，可是王喆老师让我们骑上了一只Sparrow，从天空快速领略了一遍这条道路的风景。我想我会因为这一次旅程，即便在道路中途迷路也不会迷失方向，即便看到了美景也不会沾沾自喜久久驻留。路漫漫其修远兮，吾将上下而求索！愿新的一年，我们都能在这条道路上收获更丰富的体验！

听着最后的结束语，我居然感觉要哭了┭┮﹏┭┮ 不知不觉课程居然结束了，有太多的不舍，这几个月感觉就像身边多了一个优秀的一线算法工程师的朋友，特别耐心，系统，务实的， 从浅入深，从理论到实践的， 从开始到前沿的全方位，毫无保留的讲解业界顶尖的推荐系统。 我的收获很大，总结一下，技术方面 1）对于系统设计有了big picture 2） 对主流的深度学习模型的类型有了了解 3）对于spark， redis， TensorFlow， Docker， Flink这些技术栈有了认识 4）对模型的设计，评估标准有了了解。 但是由于本人知识储备太少了，对于后来的深度学习模型部分理解起来有点困难。但是仅仅是通过对Word2Vec的学习，就让我能够在工作对公司网站的搜索词进行分析， 成功的发掘了用户痛点，得到了部门广泛的肯定，深切感受到了知识就是力量。 除了对技术上的学习，让我收获更大的是老师务实的态度， 老师的“学生思维”这个概念特别的点醒，让我意识到了长久以来的思维误区， 老师对于推荐系统要解决的问题的总结，还有上节课如何权衡的总结，可以用到平时生活和工作中的各种问题上， 时时想起感觉受益匪浅。 感谢老师的每一条用心的回复，给我很大的鼓励。希望以后还能看到老师其他的课程。 最后想问老师一个问题， 我觉得深度学习有三个主要应用领域 推荐，NLP， CV， （游戏？）我打算从NLP入手进行学习，目的是有效的找到MLE的工作。 您觉得这个方向可行吗？ 您有什么建议吗？

完全新手，终于成功了，大家安装InteliJ以后，如果出现mvn不是系统命令或无法识别的话，记得更新maven的环境变量到系统上，因为maven是系统自带的包，如果不能使用就是环境变量配置的问题。我更新的环境变量是D:\IntelliJIDEA\install\IntelliJ IDEA Community Edition 2021.3.2\plugins\maven\lib\maven3\bin，一般都是这个目录。然后再run时发现有的包不能找到，那么需要我们在Terminal执行一句mvn install，把pom.xml中需要的东西都安装上，再次run，就可以运行啦。

如果我是用户的话 1、歌手（不仅限于唱歌的人，还有作曲人、作词人等）和专辑 2、歌曲类型、曲风、词风，比如是治愈的，还是其他 3、影视剧主题曲 4、别人推荐的 5、当下的心情，或者正在干什么事情 如果我是工程师的话 1、用户行为数据 用户的点赞、分享、评论、收藏、播放时长等数据 2、用户关系数据 3、属性、标签类数据 歌曲的歌手、制作人、专辑、发行年份、曲风等信息，用户的年龄、偏好等信息 4、内容类数据 用户的评论数据、音乐中更细致的信息，如使用的乐器等等 5、场景信息 比如一天中的什么时候，天气等 用户都在什么时候听这些歌曲，找到规律，可以在特定时间，为用户推送同类型（比如同曲风、同歌手等）的歌曲 比如猜测用户是在工作还是在休息等等

答：1、短视频应用的实时性要求更高！因为相同时间内，短视频用户的单视频停留周期短、场景更换频繁，用户兴趣反馈信息更多； 2、我们常说的推荐实时=7特征实时+3模型实时，都很重要！特征实时推荐是加强当前用户关注话题（现在、个别），模型训练实时推荐加强的用户未来关注的话题（下次、整体）。业界常见的做法，基于用户特征实时变化的推荐（热周期-用户活跃期），至于模型训练（或强化学习）放在冷周期（用户睡眠期）。

老师，请教一下DIEN中用到了GRU，它是串行处理的，那么推理的过程会比较慢，这就不太适合延长要求很高的场景，比如计算广告，那对于电商场景来说它DIEN的推理延迟能满足业务要求吗，或者有什么优化手段可以解决延迟问题吗

作为一名在校生，还是先打好pytorch和tensorflow的基础，数据结构的基础。把知识框架和逻辑做好。在之后的实习过程中，加强spark和redis等工具的熟练度。并且在实习过程中重视背后业务逻辑的思考。王喆老师我这样的想法对吗？

答：我认为首页推荐与内容页推荐模型应放在同一层。 1、从用户行为体验的业务结构上来说，先点击首页推荐，后内容页推荐，二者不建议分层，但可以分桶。 2、从推荐系统架构设计来说，老师所说的：层与层之间的正交！首页推荐更多目的为了收集用户感兴趣的数据标签，内容页推荐的数据来源大部分来自于首页推荐（标签数据、标签数据、ctr、点击次数、热门话题等），进而影响内容推荐的呈现内容（改变）甚至呈现方式（音乐类APP：车载蓝牙模式、跑步模式、正常模式）。