结课测试｜检验一下自己的学习成果吧-生成式推荐系统算法与实践-极客时间

生成式推荐系统算法与实践

傅聪

搜推广资深算法专家

1054 人已学习

新⼈⾸单¥59

课程目录

已完结/共 40 讲

课程介绍 (1讲)



课程介绍｜推荐系统已死？生成式推荐技术革命已来临！

时长 10:45

系统性对比：生成式推荐好在哪？ (3讲)



01｜“传统”推荐系统的局限：我的模型为什么优化不动了？

时长 19:06

02｜前车可鉴：对比大语言模型和生成式推荐

时长 28:54

03｜变革前夜：为什么生成式推荐是未来？

时长 22:45

算法原理：生成式算法基础 (8讲)



04｜越大越牛？Transformer和它的scaling law

时长 49:59

05｜推荐系统的GPT3时刻（上）：SasRec

时长 37:10

06｜推荐系统的GPT3时刻（下）：Bert4Rec

时长 20:39

07｜语言体系之争（上）：LLM as Recommender

时长 38:42

08｜语言体系之争（中）：Recforest算法

时长 38:50

09｜语言体系之争（下）：Tiger算法

时长 50:18

10｜另辟蹊径：Diffusion For Rec

时长 31:53

11｜总结：论文里的生成式算法为何难落地？

时长 48:40

工业技术路线（一）：Meta HSTU系列 (4讲)



12｜替换Transformer？HSTU召回算法原理

时长 55:47

13｜替换Transformer？HSTU 排序算法原理

时长 41:40

14｜美团MTGR：HSTU算法落地经验

时长 17:37

15｜小红书RankGPT：HSTU落地实践

时长 37:55

工业技术路线（二）：OneRec (6讲)



16｜OneRec：语义ID与特征工程

时长 43:20

17｜OneRec：强化学习偏好对齐

时长 01:16:34

18｜OneSearch：端到端生成式检索

时长 01:24:25

19｜UniSearch：一体化的SID模型

时长 48:55

20｜OneRecV2：模型压缩和推理优化

时长 44:44

21｜OneRec-think：多模态推理模型

时长 51:55

工业技术路线（三）：OnePiece (4讲)



22｜通用超级基座的起点：LLM推理技术演进

时长 43:59

23｜Latent Reasoning：从LLM到推荐系统

时长 37:10

24｜OnePiece：混合推理在生成式检索的应用（上）

时长 36:09

25｜OnePiece：混合推理在生成式检索的应用（下）

时长 34:14

系统重构：重新理解数据、样本、特征、训练和服务 (3讲)



26｜OneRec模式工业系统架构与评估体系解析

时长 35:43

27｜OnePiece模式工业系统架构与评估体系解析

时长 18:15

28｜技术选型：如何设计自己的生成式技术发展路线？

时长 32:16

更多工业落地案例 (9讲)



29｜超长用户行为序列建模：字节 Longer

时长 26:24

30｜Transformer做特征交叉（上）：RankMixer

时长 18:44

31｜Transformer做特征交叉（中）：OneTrans

时长 26:40

32｜Transformer做特征交叉（下）：HHFT

时长 10:20

33｜ReSID：不用 LLM也能做语义 ID

时长 01:12:19

34｜ReSID：代码实战

时长 01:02:47

35｜ManCAR：首个生成式自适应推理推荐

时长 01:02:31

36｜ManCAR：代码实战

时长 01:27:35

37｜生成式推荐技术对行业和从业者的冲击和展望

时长 30:52

结课测试 (1讲)



结课测试｜检验一下自己的学习成果吧

时长 00:12

直播回放 (1讲)



直播加餐｜生成式AI重塑推荐系统：是终极进化，还是美丽泡沫？

时长 01:46:51

