深度学习推荐系统实战

• 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

王喆， Roku 资深机器学习工程师，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。

从早期清华大学的学术搜索引擎 AMiner 贡献者，到 Hulu 广告系统的高级研究员，再到现在 Roku 的推荐系统架构负责人，王喆一直深耕于推荐系统、计算广告领域。发表相关领域学术论文和专利 10 余项，担任过 KDD-DLP Workshop 的联合主席，KDD、CIKM等会议审稿人，还作为发起人和主要贡献者完成了 CTRmodel、SparrowRecSys、Ad-papers 等开源项目。与此同时，王喆还出版了《深度学习推荐系统》、《百面机器学习》等技术书籍，读者5万+。

近年来，深度学习已成为了驱动推荐、广告、搜索业务的最强引擎。天猫每次双十一 2000 亿以上的惊人成交量，抖音 4 年时间用户日活破 6 亿，这背后都有深度学习的强劲助力。

与此同时，深度学习方向的推荐算法工程师，也因为高薪、名企这些标签，成为工程师们求职的热点。

与之伴随的是人才的高竞争和知识的快迭代，在深度学习时代，想要成为一名优秀的推荐工程师，我们不应该只满足于继续使用协同过滤、矩阵分解这类传统方法，而应该加深对深度学习模型的理解，加强对大数据平台的熟悉程度，培养与业务相结合的技术直觉，提高我们整体的技术格局，这些才是我们能否取得成功的关键。

针对上面的目标，王喆老师根据自己多年的推荐系统从业经验，梳理出了深度学习推荐系统的知识架构，并期望在这门课中和你一起从 0 搭建一个“工业级”的深度学习推荐系统，实现理论、实战两手抓！

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。

1. 本专栏为订阅专栏，更新时间为2020年09月21日至2020年12月20日。