“深度学习推荐系统实战”的版本间的差异
来自CloudWiki
（→基础架构篇） |
（→推荐模型篇） |
||
| （未显示同一用户的31个中间版本） | |||
| 第1行： | 第1行： | ||
==开篇词== | ==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 | ||
| + | |||
*[[深度学习推荐系统实战：开篇词]] | *[[深度学习推荐系统实战：开篇词]] | ||
| 第8行： | 第12行： | ||
*[[深度学习推荐系统实战：推荐资料]] | *[[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？]] | *[[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]] | ||
| + | |||
| + | ==推荐模型篇== | ||
| + | *[[协同过滤：最经典的推荐模型，我们应该掌握什么？]] | ||
| + | *[[深度学习革命：深度学习推荐模型发展的整体脉络是怎样的？]] | ||
| + | *[[模型实战准备（一）____TensorFlow入门和环境配置]] | ||
| + | *[[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？]] | ||
| + | *[[Wide&Deep：怎样让你的模型既有想象力又有记忆力？]] | ||
| + | *[[NeuralCF：如何用深度学习改造协同过滤？]] | ||
| + | *[[DeepFM：如何让你的模型更好地处理特征交叉？]] | ||
| + | *[[注意力机制、兴趣演化：推荐系统如何抓住用户的心？]] | ||
| + | *[[强化学习：让推荐系统像智能机器人一样自主学习]] | ||
| + | *[[特别加餐 ___“银弹”不可靠，最优的模型结构该怎么找？]] | ||
| + | *[[实战：如何用深度学习模型实现Sparrow RecSys的个性化推荐功能？]] | ||
2021年8月8日 (日) 08:47的最新版本
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
推荐模型篇
- 协同过滤：最经典的推荐模型，我们应该掌握什么？
- 深度学习革命：深度学习推荐模型发展的整体脉络是怎样的？
- 模型实战准备（一）____TensorFlow入门和环境配置
- 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？
- Wide&Deep：怎样让你的模型既有想象力又有记忆力？
- NeuralCF：如何用深度学习改造协同过滤？
- DeepFM：如何让你的模型更好地处理特征交叉？
- 注意力机制、兴趣演化：推荐系统如何抓住用户的心？
- 强化学习：让推荐系统像智能机器人一样自主学习
- 特别加餐 ___“银弹”不可靠，最优的模型结构该怎么找？
- 实战：如何用深度学习模型实现Sparrow RecSys的个性化推荐功能？
