“深度学习推荐系统实战”的版本间的差异
来自CloudWiki
（→推荐模型篇） |
|||
| 第40行： | 第40行： | ||
*[[模型实战准备（二）____模型特征、训练样本的处理]] | *[[模型实战准备（二）____模型特征、训练样本的处理]] | ||
*[[Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？]] | *[[Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？]] | ||
| + | *[[Wide&Deep：怎样让你的模型既有想象力又有记忆力？]] | ||
2021年8月6日 (五) 06:54的版本
开篇词
本笔记记自”极客时间“ 同名教程
仅限于山东商职云计算协会 内部交流
基础架构篇
- 深度学习推荐系统实战：经典技术架构
- Sparrow RecSys：我们要实现什么样的推荐系统？
- 深度学习基础：你打牢深度学习知识的地基了吗？
- 深度学习推荐系统实战：推荐资料
- 深度学习推荐系统基础：你掌握了多少？
特征工程篇
- 特征工程：推荐系统有哪些可供利用的特征
- 特征处理：如何利用Spark解决特征处理问题？
- Embedding基础：所有人都在谈的Embedding技术到底是什么？
- Embedding进阶：如何利用图结构数据生成Graph Embedding？
- Embedding实战：如何使用Spark生成Item2vec和Graph Embedding？
- 答疑：基础架构篇+特征工程篇疑难解答
python版本的实操 ~
《PySpark 机器学习、自然语言处理与推荐系统》中有关于pyspark 实现推荐系统的代码
线上服务篇
- 线上服务：如何在线上提供高并发的推荐服务？
- 存储模块：如何用Redis解决推荐系统特征的存储问题？
- 召回层：如何快速又准确地筛选掉不相关物品？
- 局部敏感哈希：如何在常数时间内搜索Embedding最近邻？
- 模型服务：怎样把你的离线模型部署到线上？
- 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
