推荐系统三十六式 解决你推荐系统80%的问题
课程介绍：
“推荐系统三十六式”是由链家网资深算法专家刑无刀（陈开江）撰写并维护的精品专栏内容。
PC 时代是搜索的天下，而移动时代则是推荐的主场。
最近十年尤其最近五年，借助推荐系统的技术和名头，异军突起的互联网产品越来越多，推荐系统成了互联网产品的标配。甚至有人说在未来，推荐系统会成为所有数据型产品的标配。
而推荐系统前方的技术蓬勃发展，后方却落地困难。审视推荐系统的技术应用现状，大厂们一骑绝尘，太多中小厂的工程师们还不知道一个推荐系统如何从 0 到 1 诞生，需要去了解哪些知识。
本专栏为推荐系统学习者架构起整体的知识脉络，并在此基础上补充实践案例与经验，力图解决你系统起步阶段 80% 的问题。
刑无刀（本名陈开江），现为“贝壳找房”资深算法专家，从事算法类产品的研发。曾任新浪微博资深算法工程师，考拉 FM 算法主管。 刑无刀有 8 年的推荐系统方向从业经历，他在算法、架构、产品方面均有丰富的实践经验。同时，他也是中国最专业推荐技术与产品社区之一 ResysChina 的特约作者，有长期的技术写作经验。
专栏模块
专栏共三个月，36 期，分五个模块介绍推荐系统知识。
概念篇：推荐系统有关的理念、思考，形而上的内容，虽然务虚但是必要。
原理篇：推荐算法的原理介绍与干货。了解推荐系统背后技术的基本原理后，你可以更快地开发和优化自己的系统，并且更容易去学习专栏中未涉及的内容。
工程篇：推荐算法的实践内容。介绍推荐算法落地时需要一些纯工程上的大小事情，架构、选型、案例等，为你的实践之路推波助澜。
产品篇：推荐系统要成功，还要考虑产品理念及其商业价值，此处介绍一些产品知识和一点浅显的商业思考。
团队篇：个人该如何学习和成长，团队该招多少人又该有哪些人，以及产品经理和工程师该如何合作等问题。
课程目录：
开篇词 (1讲)
开篇词 | 用知识去对抗技术不平等
第1章 概念篇 (3讲)
[概念篇]你真的需要个性化推荐系统吗?
[概念篇]个性化推荐系统那些绕不开的经典问题
[概念篇]这些你必须应该具备的思维模式
第2章 原理篇 (20讲)
[内容推荐]画鬼容易画人难：用户画像的“能”和“不能”
[内容推荐]从文本到用户画像有多远
[内容推荐]超越标签的内容推荐系统
[近邻推荐]人以群分，你是什么人就看到什么世界
[近邻推荐]解密“看了又看”和“买了又买”
[近邻推荐]协同过滤中的相似度计算方法有哪些
[矩阵分解]那些在Netflix Prize中大放异彩的推荐算法
[矩阵分解]Facebook是怎么为十亿人互相推荐好友的
[矩阵分解]如果关注排序效果，那么这个模型可以帮到你
[模型融合]经典模型融合办法：线性模型和树模型的组合拳
[模型融合]一网打尽协同过滤、矩阵分解和线性模型
[模型融合]深度和宽度兼具的融合模型 Wide and Deep
[MAB问题]简单却有效的Bandit算法
[MAB问题]结合上下文信息的Bandit算法
[MAB问题]如何将Bandit算法与协同过滤结合使用
[深度学习]深度学习在推荐系统中的应用有哪些?
[深度学习]用RNN构建个性化音乐播单
[其他应用算法]构建一个科学的排行榜体系
[其他应用算法]实用的加权采样算法
[其他应用算法]推荐候选池的去重策略
第3章 工程篇 (10讲)
[常见架构]典型的信息流架构是什么样的
[常见架构]Netflix个性化推荐架构
[常见架构]总览推荐架构和搜索、广告的关系
[关键模块]巧妇难为无米之炊：数据采集关键要素
[关键模块]让你的推荐系统反应更快：实时推荐
[关键模块]让数据驱动落地，你需要一个实验平台
[关键模块] 推荐系统服务化、存储选型及API设计
[效果保证]推荐系统的测试方法及常用指标介绍
[效果保证]道高一尺魔高一丈：推荐系统的攻防
[开源工具]和推荐系统有关的开源工具及框架介绍
第4章 产品篇 (3讲)
[产品篇]推荐系统在互联网产品商业链条中的地位
[产品篇]说说信息流的前世今生
[团队篇]组建推荐团队及工程师的学习路径
尾声与参考阅读 (2讲)
推荐系统的参考阅读
[尾声]遇“荐”之后，江湖再见
评论0