由于近些年深度學(xué)習(xí)技術(shù)的飛速發(fā)展，大力加速推動了AI在互聯(lián)網(wǎng)以及傳統(tǒng)各個行業(yè)的商業(yè)化落地，尤其是推薦系統(tǒng)、計算廣告等領(lǐng)域。由于推薦系統(tǒng)與提升用戶量以及商業(yè)化變現(xiàn)有著密不可分的聯(lián)系，各大公司都放出了眾多推薦系統(tǒng)相關(guān)職位，且薪水不菲，目前發(fā)展勢頭迅猛。?

大多數(shù)欲從事推薦系統(tǒng)相關(guān)工作的同學(xué)，往往都是通過自學(xué)的方式來進行學(xué)習(xí)，但是這樣很明顯的問題是：

1. 雖然學(xué)習(xí)了解了很多推薦算法模型，如：協(xié)同過濾、FM、DeepFM等，但是卻不清楚這些模型在工業(yè)界推薦系統(tǒng)中是如何串聯(lián)、如何配合、有哪些坑，哪些trick的，導(dǎo)致無論面試還是真正去業(yè)界做推薦系統(tǒng)，都會被推薦領(lǐng)域的”老槍老炮“們一眼識別出小白屬性。

2. 對于算法原理理解不深刻，這就會導(dǎo)致實際應(yīng)用時不能很好地將模型的性能發(fā)揮出來，另外面試時對于大廠面試官的刨根問底，只能是眼睜睜的丟掉offer。

CF、FM、DSSM、DeepFM等這些推薦業(yè)界明星模型，你真的清楚他們的內(nèi)部運行原理以及使用場景嗎？真的了解FM模型與SVM有什么相似之處嗎？FM固然可以用作為打分模型，但它可以用來做matching嗎，如果可以，如何做？item2Vec模型在業(yè)界是如何緩解冷啟動的問題的？雙塔模型優(yōu)勢在哪？深度模型到底是如何做matching的，是離線計算好結(jié)果還是實時的對網(wǎng)絡(luò)進行前向計算？DeepFM具體實現(xiàn)時，wide端和deep端的優(yōu)化方式是一樣的嗎？基于Graph的推薦方法在業(yè)界的應(yīng)用目前是怎樣的？

為了真正全面系統(tǒng)的培養(yǎng)面向工業(yè)界的推薦系統(tǒng)人才，貪心學(xué)院推出了《推薦系統(tǒng)工程師培養(yǎng)計劃3期》，在前兩期的基礎(chǔ)上做了全面升級，深度探索推薦系統(tǒng)算法知識，并落地實操工業(yè)級項目，由資深的推薦系統(tǒng)負責(zé)人全程直播講解，幫助你融會貫通，輕松拿offer。?

推薦系統(tǒng)工程師培養(yǎng)計劃

助你成為行業(yè)TOP10%的工程師

對課程有意向的同學(xué)

掃描二維碼咨詢

01 課程大綱

第一部分：推薦系統(tǒng)之內(nèi)容理解與畫像構(gòu)建

Week1?機器學(xué)習(xí)基礎(chǔ) 邏輯回歸模型 梯度下降法 神經(jīng)網(wǎng)絡(luò)模型 過擬合與正則 常用的評價指標 常用的優(yōu)化算法 向量、矩陣基礎(chǔ)	Week2 推薦系統(tǒng)基礎(chǔ) 推薦系統(tǒng)概述、架構(gòu)設(shè)計 推薦系統(tǒng)后臺數(shù)據(jù)流設(shè)計 常用的技術(shù)棧 推薦系統(tǒng)中的評價指標 簡單的用戶協(xié)同 環(huán)境搭建
Week3 內(nèi)容畫像的構(gòu)建以及NLP技術(shù) 內(nèi)容畫像的搭建基礎(chǔ) 關(guān)鍵詞提取技術(shù)tf-idf,?textRank LSTM與注意力機制 Attention的幾種常用方式 Self-Attention Multi-head Attention 雙線性Attention NLP工具的使用 MySQL數(shù)據(jù)庫的搭建與內(nèi)容畫像存儲	Week4 用戶畫像的構(gòu)建 用戶畫像與內(nèi)容畫像的關(guān)系 用戶畫像的架構(gòu) 用戶畫像的擴展 用戶畫像與排序特征 用途：基于標簽的用戶畫像 標簽權(quán)重的計算方法（貝葉斯平滑、時間衰減） 基于用戶畫像的召回方法 Redis的搭建與使用 基于Redis的用戶畫像存儲 Hadoop, Hive, Spark等工具使用

第二部分：召回模型與策略、數(shù)據(jù)與采樣的學(xué)問

Week5 傳統(tǒng)Matching方法 MF召回法以及求解 特征值分解 傳統(tǒng)奇異值分解之SVM FunkSVD? ALS方法 SVD++ 基于物品的協(xié)同Item-CF	Week6 深度 Matching方法 理解Embedding技術(shù) Embedding為什么有效 Embedding與稀疏ID類特征的關(guān)系 Item-CF召回與Item2Vec Airbnb序列召回與冷啟動緩解思路 NCF召回以及變種 YouTube召回方法 從DSSM到雙塔模型 雙塔模型工業(yè)界的部署方法 多興趣召回 MIND召回 Faiss工具介紹? KD樹，LSH，Simhash
Week7 Graph Embedding與用戶行為構(gòu)建圖 隨機游走于傳統(tǒng)協(xié)同方法 Deepwalk Node2Vec及其同質(zhì)性與結(jié)構(gòu)性 LINE? 隨機游走的實現(xiàn) Alias采樣方法 Neo4j講解 Graph Embedding的實現(xiàn) Node2Vec的實現(xiàn)	Week8 圖推薦、圖神經(jīng)網(wǎng)絡(luò)、采樣與熱度打壓 Graph Embedding優(yōu)化 EGS，注意力機制及其變種 Ripple網(wǎng)絡(luò)方法 召回層采樣的坑與技巧 熱度抑制 EGES的實現(xiàn) GCN和GAT? GraphSage

第三部分：排序模型、重排序與多目標

Week9 經(jīng)典Ranking模型方法 Ranking與用戶畫像 物品畫像 LR模型 GBDT+ LR FM模型詳解、業(yè)界使用方法與坑 FFM模型 AUC與GAUC 增量學(xué)習(xí)與Online Learning 從L1稀疏化、FOBOS到FTRL算法 基于FM實現(xiàn)Ranking精排序	Week10 深度Ranking模型與工業(yè)采樣技巧 粗排與精排及其意義 主流深度推薦模型的幾種范式 特征自動組合：Deep&Cross, XDeepFM, PNN 特征重要度提取以及無用特征去噪：AFM，DeepFFM 序列推薦模型：DIN，DIEN，AttRes，Stamp 獨辟蹊徑之序列推薦的優(yōu)化思路 深度模型工具的介紹與使用 MLSQL DeepCTR等與工業(yè)界采樣方法
Week11 重排序與多目標學(xué)習(xí) 多目標學(xué)習(xí)的幾種范式 范式一：樣本加權(quán) 范式二：多模型融合 范式三：聯(lián)合訓(xùn)練、ESMM，MMOE框架，ESM2等 ESMM的實現(xiàn)

第四部分：實時召回策略與前沿推薦技術(shù)

Week12-13 工業(yè)界新聞推薦系統(tǒng)中冷啟動與熱點文章實時召回 人群分桶 實時交互正反饋 實時召回與實時畫像技術(shù) 人群投票 人群等級投票 降維分發(fā) 后驗與先驗的結(jié)合 引入注意力機制的優(yōu)化興趣增加和衰減 熱點文章召回策略 本地文章召回策略 算法策略與運營配合協(xié)作	Week14 強化學(xué)習(xí)與推薦系統(tǒng)、AutoML與推薦系統(tǒng) 強化學(xué)習(xí)概念、以及在推薦系統(tǒng)中的對應(yīng) DP算法本質(zhì)思想 馬爾科夫決策 蒙特卡洛搜索所樹(MCTS) UCB及其在推薦系統(tǒng)中的應(yīng)用 湯普森采樣法 Q-Learning、DRN、策略梯度 強化學(xué)習(xí)在推薦場景中的應(yīng)用
Week15 項目總結(jié)，部署以職業(yè)規(guī)劃 工業(yè)界項目的部署 推薦系統(tǒng)崗位的面試要點 大廠的面試攻略 如何準備簡歷、包裝自己 職業(yè)規(guī)劃

推薦系統(tǒng)工程師培養(yǎng)計劃

助你成為行業(yè)TOP10%的工程師

對課程有意向的同學(xué)

掃描二維碼咨詢

02?課程中的實戰(zhàn)項目

1.?相似推薦場景項目

? ?項目描述：

工業(yè)界中，推薦系統(tǒng)已經(jīng)逐步滲入到各個場景下，從最常見的信息流、首頁猜你喜歡等，到看了又看、買了又買，以及相似物品推薦等。本項目將以此為切入點，帶領(lǐng)學(xué)員們體驗相似推薦場景的算法與工具、以及工業(yè)界的使用經(jīng)驗、心得、trick。

???項目預(yù)期結(jié)果：

掌握相似推薦場景的常用算法和工具、以及使用經(jīng)驗，具備獨立完成相似推薦場景的能力。

2. 資訊信息流召回場景項目

???項目描述：

目前業(yè)界最主流的推薦系統(tǒng)使用“多路召回+精排”的方式，本項目中，帶你掌握這種工業(yè)界最流行的推薦方式，你將使用DSSM等深度網(wǎng)絡(luò)算法，并基于ANN檢索的方式實現(xiàn)召回，最后使用精排，對每個候選物品進行打分并排序，最后按照得分對用戶進行物品展示，用此種方式還原真實工業(yè)界場景。?

???項目預(yù)期結(jié)果：

此項目將為學(xué)員帶來完整的工業(yè)界推薦算法與數(shù)據(jù)流，麻雀不大，但五臟俱全，令你掌握深度召回、向量化檢索、深度排序以及工程化部署等，完全具備一個合格的推薦算法工程師能力。

3.?多目標排序場景項目

???項目描述：

隨著推薦系統(tǒng)的發(fā)展，無論是流量化場景，還是商業(yè)化場景，多目標的擬合在推薦系統(tǒng)中的重要性，慢慢的從小荷才露尖尖角，迅速的發(fā)展成為執(zhí)牛耳的地位，本項目將多目標排序單獨作為一個模塊，分別利用工業(yè)界經(jīng)典以及最新方法來體驗多目標排序的美妙。

???項目預(yù)期結(jié)果：

掌握推薦領(lǐng)域的高階技術(shù)-多目標排序的算法的工程實踐，在深度排序的基礎(chǔ)上進一步拓展排序的優(yōu)化空間。

推薦系統(tǒng)工程師培養(yǎng)計劃

助你成為行業(yè)TOP10%的工程師

對課程有意向的同學(xué)

掃描二維碼咨詢

03部分案例和作業(yè)

01

實現(xiàn)基于用戶協(xié)同的文本推薦

在深度學(xué)習(xí)盛行的時代，經(jīng)典的協(xié)同過濾方法是否還在各大公司的推薦引擎中使用呢？答案是肯定的，協(xié)同算法在推薦領(lǐng)域中有這不可磨滅的基因，作為分發(fā)和傳播能力極強的方法，至今，協(xié)同過濾方法仍然在工業(yè)界有這廣泛的應(yīng)用。此案例中，同學(xué)們將親手實踐協(xié)同算法的威力。

02

基于NLP技術(shù)、Redis構(gòu)建與存儲內(nèi)容畫像

用戶畫像在推薦領(lǐng)域有著至關(guān)重要的作用，主流的協(xié)同以及今天大火的深度召回方法，如雙塔、YouToBe召回方法等的情況下，基于用戶畫像的召回方法仍然適用，因其極具可控性與解釋性，推薦領(lǐng)域，因其有這天然的業(yè)務(wù)性，導(dǎo)致推薦系統(tǒng)對可解釋性要求極高，當(dāng)出現(xiàn)推薦的bad case時，基于用戶畫像的召回策略是查找bad case的重要手段。

03

Item2Vec的實現(xiàn)

推薦業(yè)務(wù)領(lǐng)域常常有如下場景，相關(guān)推薦、猜你還喜歡等，熟悉吧？背后支持的算法和系統(tǒng)策略邏輯是什么呢？答案就在此案例中，類似的相關(guān)推薦場景，即為：根據(jù)現(xiàn)有物品推薦另一相關(guān)的物品或者商品，借助于用戶行為與word2vec思路，將item Embedding引入此場景，并適當(dāng)引入side info信息來做商品的相關(guān)推薦方法，此案例將為你揭曉其中的秘密。

04

FM方法的實現(xiàn)

MF(矩陣分解)算法作為推薦算法經(jīng)典代表作之一，其是最早體現(xiàn)出Embedding泛化擴展思想的雛形；之后，FM(因子分解機)算法在MF(矩陣分解)基礎(chǔ)之上發(fā)揚光大，將Embedding思想進一步引入傳統(tǒng)的機器學(xué)習(xí)做推薦，FM算法看成推薦領(lǐng)域的萬金油，召回、粗排、精排均可用FM實現(xiàn)，在深度學(xué)習(xí)上線資源較困難的情況下，可視為推薦領(lǐng)域的baseline的不二法門，此案例中，你將親自感受FM算法的魅力。?

05

Wide&Deep算法實現(xiàn)

推薦算法本質(zhì)上就是在解決兩個問題：記憶和泛化，傳統(tǒng)的LR等模型，將大量的ID類稀疏特征直接喂給模型，再由廣義線性模型直接學(xué)習(xí)這些ID類特征的權(quán)重，本質(zhì)上就是模型對特征的簡單粗暴的記憶，因此，泛化擴展性得不到保證，從未出現(xiàn)過的特征(如很重要的交叉特征等)，模型無法學(xué)習(xí)該特征權(quán)重，故特征的指征能力無法體現(xiàn)。

因此，深度學(xué)習(xí)模型引入Embedding稠密向量概念，將不同特征之間的一部分共性抽象出，放入Embedding空間進行學(xué)習(xí)，這樣的操作可以近乎看作是模糊查找，具有較強的泛化能力，但記憶性顯然不如LR等模型，wide&&deep的提出是兼容記憶性與泛化性的考慮，在此基礎(chǔ)上，后續(xù)的DeepFM等模型，也只是在wide端加強了模型對特征的顯式交叉，但架構(gòu)本質(zhì)與wide&&deep模型是一樣的。此案例就來帶大家實操WDL方法。

推薦系統(tǒng)工程師培養(yǎng)計劃

助你成為行業(yè)TOP10%的工程師

對課程有意向的同學(xué)

掃描二維碼咨詢

04?學(xué)習(xí)收獲

1.?掌握每一個核心技術(shù)點、學(xué)完之后在技術(shù)上可滿足絕大部分推薦系統(tǒng)崗位的要求

2.?深入理解每一個技術(shù)背后的算法細節(jié)和全部推導(dǎo)過程

3.?通過大量案例的實戰(zhàn)，達到學(xué)以致用的目的，并學(xué)習(xí)工業(yè)界一線的經(jīng)驗

4.?緊跟技術(shù)的發(fā)展、走在時代的前沿

05 課程適合誰？

大學(xué)生

l理工科相關(guān)專業(yè)的本科/碩士/博士生，畢業(yè)后想從事AI工作的人

l今后想從事推薦系統(tǒng)相關(guān)工作的人

l希望能夠深入AI領(lǐng)域，為科研或者出國做準備

l希望系統(tǒng)性學(xué)習(xí)推薦相關(guān)的技術(shù)

在職人士

l目前從事IT相關(guān)的工作，今后想做跟推薦相關(guān)的項目

l目前從事AI相關(guān)的工作，希望與時俱進，加深對技術(shù)的理解

l希望能夠及時掌握前沿技術(shù)

06?入學(xué)標準

1.?理工科相關(guān)專業(yè)學(xué)生，或者IT從業(yè)者

2.?具有良好的Python編程能力

3.?掌握機器學(xué)習(xí)基礎(chǔ)（如線性回歸、邏輯回歸、SVM等）

07?報名須知

1. 本課程為收費教學(xué)。

2.?剩余名額有限。

3.?品質(zhì)保障！正式開課后7天內(nèi)，無條件全額退款。

4. 學(xué)習(xí)本課程需要具備一定的機器學(xué)習(xí)基礎(chǔ)。

推薦系統(tǒng)工程師培養(yǎng)計劃

助你成為行業(yè)TOP10%的工程師

對課程有意向的同學(xué)

掃描二維碼咨詢

總結(jié)

以上是生活随笔為你收集整理的CF、FM、DSSM、DeepFM等这些推荐模型的原理以及使用场景是什么？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。