这门课解决什么问题

很多做后端或算法的上班族，平时处理的是业务接口或报表，一旦遇到“怎么给用户做个性化推荐”这种需求，往往无从下手。市面上多数资料要么只讲理论，比如协同过滤的数学推导，要么只教调包跑个 demo，离真正能在公司跑起来的系统差得很远。这门课的主题是深度学习推荐系统实战，它解决的核心问题是：帮你补齐从理论到工业落地的中间断层。它不是教你刷面试题，而是带你走一遍从需求拆解、架构设计到模型训练的完整流程。如果你正想转行做推荐算法，或者在公司里需要从零搭一套推荐服务，这门课的切入角度很对口。资料本身带音频和图文，适合通勤时先听一遍建立概念，再回到电脑前对照文档敲代码。

适合什么基础与建议先看哪几块

这门课不是零基础入门，你需要有 Python 编程基础，能看懂基本的张量操作，最好写过简单的机器学习模型。如果连神经网络的前向传播和反向传播都完全陌生，建议先补一下基础再来，否则中后期的模型部分会卡住。拿到资料后，建议先看开篇词和技术架构这两块，搞清楚工业级推荐系统的经典分层，比如召回、排序、特征工程各管什么。接着重点看深度学习基础和 Sparrow RecSys 那部分，这是整套资料的核心骨架，它会告诉你最终要实现一个什么样的推荐服务。不要一上来就跳到复杂的模型代码，先理解数据流怎么走，再去看具体的模型实现，这样不容易迷路。

学完能独立做什么与资料怎么配合练习

学完后，你应该能独立完成一个轻量级的推荐系统原型：从处理用户行为日志、构造特征，到训练一个深度学习模型做召回或排序，最后把结果接到一个简单的服务接口里。这不是说你能马上写出大厂那种亿级并发的架构，但应对中小型业务场景或者面试里的系统设计题，基本够用。练习时，建议把图文资料当主线，音频当辅助理解，遇到代码部分一定要在自己电脑上跑通，不要只看不动手。每学完一个模块，试着用自己的话复述这个模块在整个推荐链路里的位置，比如它是在做粗排还是精排，输入输出是什么。如果资料里提供了示例项目，尽量改造它，比如换一个数据集或者调整特征字段，看看效果变化，这样比单纯复刻一遍学得更扎实。


带你从0到1搭建工业级推荐系统

课程目录

*   01 开篇词/

  *   01 开篇词 从0开始搭建一个深度学习推荐系统.html (0.52 MB)

  *   01 开篇词 从0开始搭建一个深度学习推荐系统.mp3 (12.24 MB)

*   02 基础架构篇/

  *   01 01 技术架构：深度学习推荐系统的经典技术架构长啥样.html (1.92 MB)

  *   01 01 技术架构：深度学习推荐系统的经典技术架构长啥样.mp3 (15.61 MB)

  *   02 02 Sparrow RecSys：我们要实现什么样的推荐系统.html (5.41 MB)

  *   02 02 Sparrow RecSys：我们要实现什么样的推荐系统.mp3 (11.57 MB)

  *   03 03 深度学习基础：你打牢深度学习知识的地基了吗.html (1.20 MB)

  *   03 03 深度学习基础：你打牢深度学习知识的地基了吗.mp3 (14.80 MB)

  *   04 国庆策划 关于深度学习推荐系统，我有这些资料想推荐给你.html (1.26 MB)

  *   04 国庆策划 关于深度学习推荐系统，我有这些资料想推荐给你.mp3 (7.37 MB)

  *   05 国庆策划 深度学习推荐系统基础，你掌握了多少.html (0.12 MB)

  *   05 国庆策划 深度学习推荐系统基础，你掌握了多少.mp3 (0.72 MB)

*   03 特征工程篇/

  *   01 04 特征工程：推荐系统有哪些可供利用的特征.html (2.45 MB)

  *   01 04 特征工程：推荐系统有哪些可供利用的特征.mp3 (14.25 MB)

  *   02 05 特征处理：如何利用Spark解决特征处理问题.html (1.77 MB)

  *   02 05 特征处理：如何利用Spark解决特征处理问题.mp3 (13.85 MB)

  *   03 06 Embedding基础：所有人都在谈的Embedding技术到底是什么.html (2.57 MB)

  *   03 06 Embedding基础：所有人都在谈的Embedding技术到底是什么.mp3 (15.29 MB)

  *   04 07 Embedding进阶：如何利用图结构数据生成Graph Embedding.html (2.80 MB)

  *   04 07 Embedding进阶：如何利用图结构数据生成Graph Embedding.mp3 (15.46 MB)

  *   05 08 Embedding实战：如何使用Spark生成Item2vec和Graph Embedding.html (1.75 MB)

  *   05 08 Embedding实战：如何使用Spark生成Item2vec和Graph Embedding.mp3 (10.61 MB)

  *   06 答疑 基础架构篇+特征工程篇常见问题解答.html (0.08 MB)

  *   06 答疑 基础架构篇+特征工程篇常见问题解答.mp3 (12.11 MB)

*   04 线上服务篇/

  *   01 09 线上服务：如何在线上提供高并发的推荐服务.html (1.15 MB)

  *   01 09 线上服务：如何在线上提供高并发的推荐服务.mp3 (12.49 MB)

  *   02 10 存储模块：如何用Redis解决推荐系统特征的存储问题.html (1.39 MB)

  *   02 10 存储模块：如何用Redis解决推荐系统特征的存储问题.mp3 (12.23 MB)

  *   03 11 召回层：如何快速又准确地筛选掉不相关物品.html (1.18 MB)

  *   03 11 召回层：如何快速又准确地筛选掉不相关物品.mp3 (10.66 MB)

  *   04 12 局部敏感哈希：如何在常数时间内搜索Embedding最近邻.html (1.30 MB)

  *   04 12 局部敏感哈希：如何在常数时间内搜索Embedding最近邻.mp3 (14.46 MB)

  *   05 13 模型服务：怎样把你的离线模型部署到线上.html (1.60 MB)

  *   05 13 模型服务：怎样把你的离线模型部署到线上.mp3 (14.67 MB)

  *   06 14 融会贯通：Sparrow RecSys中的电影相似推荐功能是如何实现的.html (4.30 MB)

  *   06 14 融会贯通：Sparrow RecSys中的电影相似推荐功能是如何实现的.mp3 (13.93 MB)

  *   07 答疑 线上服务篇留言问题详解.html (1.91 MB)

  *   07 答疑 线上服务篇留言问题详解.mp3 (12.18 MB)

*   05 推荐模型篇/

  *   01 15 协同过滤：最经典的推荐模型，我们应该掌握什么.html (1.64 MB)

  *   01 15 协同过滤：最经典的推荐模型，我们应该掌握什么.mp3 (12.56 MB)

  *   02 16 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.html (1.85 MB)

  *   02 16 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.mp3 (13.49 MB)

  *   03 模型实战准备（一） TensorFlow入门和环境配置.html (2.73 MB)

  *   03 模型实战准备（一） TensorFlow入门和环境配置.mp3 (12.32 MB)

  *   04 模型实战准备（二） 模型特征、训练样本的处理.html (1.66 MB)

  *   04 模型实战准备（二） 模型特征、训练样本的处理.mp3 (13.01 MB)

  *   05 17 Embedding+MLP：如何用TensorFlow实现经典的深度学习模型.html (1.77 MB)

  *   05 17 Embedding+MLP：如何用TensorFlow实现经典的深度学习模型.mp3 (14.06 MB)

  *   06 18｜Wide&Deep：怎样让你的模型既有想象力又有记忆力.html (0.93 MB)

  *   06 18｜Wide&Deep：怎样让你的模型既有想象力又有记忆力.mp3 (11.70 MB)

  *   07 19｜NeuralCF：如何用深度学习改造协同过滤.html (1.35 MB)

  *   07 19｜NeuralCF：如何用深度学习改造协同过滤.mp3 (10.92 MB)

  *   08 20 DeepFM：如何让你的模型更好地处理特征交叉.html (0.88 MB)

  *   08 20 DeepFM：如何让你的模型更好地处理特征交叉.mp3 (11.60 MB)

  *   09 21｜注意力机制、兴趣演化：推荐系统如何抓住用户的心.html (1.69 MB)

  *   09 21｜注意力机制、兴趣演化：推荐系统如何抓住用户的心.mp3 (14.46 MB)

  *   10 22｜强化学习：让推荐系统像智能机器人一样自主学习.html (2.47 MB)

  *   10 22｜强化学习：让推荐系统像智能机器人一样自主学习.mp3 (13.95 MB)

  *   11 特别加餐 “银弹”不可靠，最优的模型结构该怎么找.html (0.07 MB)

  *   11 特别加餐 “银弹”不可靠，最优的模型结构该怎么找.mp3 (12.42 MB)

  *   12 23｜ 实战：如何用深度学习模型实现Sparrow RecSys的个性化推荐功能.html (3.30 MB)

  *   12 23｜ 实战：如何用深度学习模型实现Sparrow RecSys的个性化推荐功能.mp3 (13.16 MB)

*   06 模型评估篇/

  *   01 24 离线评估：常用的推荐系统离线评估方法有哪些.html (0.77 MB)

  *   01 24 离线评估：常用的推荐系统离线评估方法有哪些.mp3 (11.69 MB)

  *   02 25 评估指标：我们可以用哪些指标来衡量模型的好坏.html (1.57 MB)

  *   02 25 评估指标：我们可以用哪些指标来衡量模型的好坏.mp3 (17.95 MB)

  *   03 特别加餐｜TensorFlow的模型离线评估实践怎么做.html (1.26 MB)

  *   03 特别加餐｜TensorFlow的模型离线评估实践怎么做.mp3 (8.50 MB)

  *   04 26 在线测试：如何在推荐服务器内部实现AB测试.html (1.02 MB)

  *   04 26 在线测试：如何在推荐服务器内部实现AB测试.mp3 (13.90 MB)

  *   05 27 评估体系：如何解决AB测试资源紧张的窘境.html (1.70 MB)

  *   05 27 评估体系：如何解决AB测试资源紧张的窘境.mp3 (13.89 MB)

*   07 前沿拓展篇/

  *   01 28 业界经典：YouTube深度学习推荐系统的经典架构长什么样.html (1.78 MB)

  *   01 28 业界经典：YouTube深度学习推荐系统的经典架构长什么样.mp3 (15.43 MB)

  *   02 29 图神经网络：Pinterest是如何应用图神经网络的.html (2.23 MB)

  *   02 29 图神经网络：Pinterest是如何应用图神经网络的.mp3 (13.52 MB)

  *   03 30 流处理平台：Flink是如何快速识别用户兴趣，实现实时推荐的.html (2.23 MB)

  *   03 30 流处理平台：Flink是如何快速识别用户兴趣，实现实时推荐的.mp3 (11.79 MB)

  *   04 31｜模型迭代：阿里巴巴是如何迭代更新推荐模型的.html (3.17 MB)

  *   04 31｜模型迭代：阿里巴巴是如何迭代更新推荐模型的.mp3 (12.10 MB)

  *   05 32 强化学习案例：美团是如何在推荐系统中落地强化学习的.html (1.72 MB)

  *   05 32 强化学习案例：美团是如何在推荐系统中落地强化学习的.mp3 (12.22 MB)

  *   06 33｜技术权衡：解决方案这么多，哪个最合适.html (1.45 MB)

  *   06 33｜技术权衡：解决方案这么多，哪个最合适.mp3 (14.60 MB)

*   08 结束语/

  *   01 结束语｜深度学习时代需要什么样的推荐工程师.html (1.38 MB)

  *   01 结束语｜深度学习时代需要什么样的推荐工程师.mp3 (13.59 MB)

  *   02 期末考试 “深度学习推荐系统”100分试卷等你来挑战！.html (0.71 MB)