搭建一套深度学习推荐系统！
而驱动这些巨头进行推荐服务的，都是基于深度学习的推荐模型。阿里的千人千面系统促成了当年天猫“双 11” 2684 亿成交额。如果通过改进商品推荐功能，使平台整体的转化率提升 1%，就能在 2684 亿成交额的基础上，再增加 26.84 亿。这也是大厂对推荐工程师倍加青睐的原因。
但在学习推荐系统时，找到提升的突破点并不容易——目前各大厂使用的都是成熟的推荐系统，实现整体效果优化，需要建立起完整的知识体系，加深对深度学习模型的理解，以及大数据平台的熟悉程度。
《深度学习推荐系统》一书的作者王喆， 推出实践专栏，跟大家一起来一步一步地讲透深度学习推荐系统的原理，并且能亲手搭建起来一整套深度学习推荐系统。
他的同名书籍在豆瓣评分9.3，好评极高，这个专栏更注重实践，并加入了更多技术细节的实现和讨论。下面王喆总结的 「核心知识图谱」 ，建议收藏。
最重要的是，实操性特别强。王喆特地为了这个专栏，开发了一个开源项目 「 SparrowRecsys」，能让我们亲手搭建一套完整的深度学习推荐系统（下面有详细介绍，贼有意思）。
扫码免费试读👇
限时秒杀+口令「happy2021」到手仅 ¥89 ，原价 ¥129，新用户到手仅 ¥59.9
王喆这门课的价值
先来说说这个 SparrowRecsys 推荐系统。名字取“麻雀虽小、五脏俱全”之意，它利用了开源的 movielens 数据集，搭建起了包括：
Spark、Flink特征工程
TensorFlow深度学习模型训练
TensorFlow Serving模型服务
Redis在线特征数据库
Jetty Server推荐服务器
JS前端实现
在内的一整套深度学习推荐系统。不说它能支撑起一个中大型公司的推荐系统，但是毫无疑问，它可以成为一个工业级推荐系统的种子项目。而这一切，都能在课程里，一步步尝试搭建起来。
最后我们实现的推荐系统会是这个样子👇
在这些前端页面的背后，是我们能实现的一个又一个深度学习模型：
对于电影的相似推荐功能，王喆会使用各种 Embedding based 的方法，比如 item2vec，graph embedding 等等。
对于推荐功能，会基于 TensorFlow 实现Embedding MLP，Wide&Deep，NerualCF，Two Towers，DeepFM，DIN 等等深度学习模型，然后使用 TensorFlow serving 去进行模型服务。
对于召回层、排序层这些推荐逻辑，也会全盘在基于 Jetty 的推荐服务器中实现。
整个项目整体的技术架构是下面这个样子的：
是不是感觉很牛。其次，专栏本计划是 30 讲，生生写到 43 讲，补充讨论了很多热门的问题。课程的留言区也藏龙卧虎，在这里贴 15 个专栏里讨论的问题，足见大家收获。
他是怎样讲解这门课程的？
整体遵循了经典推荐系统的框架，分为 6 部分，学懂了，实现一个工业级的深度学习推荐系统，简单介绍下：
基础架构篇：讲要从 0 开始实现的推荐系统， Sparrow RecSys 的主要功能和技术架构，也会用到 Spark、Flink、TensorFlow 等业界最流行的机器学习和大数据框架。
特征工程篇：讨论推荐系统会用到的特征，以及主要的特征处理方式，并将其实践在 Spark 上。此外，还有深度学习中非常流行的 Embedding、Graph Embedding 技术，并带你实现 Sparrow Recsys 中的相似电影推荐功能。
线上服务篇：带你搭建一个推荐服务器，包括服务器、存储、缓存、模型服务等模块和相关知识，涉及 Jetty Server， Spark、Redis 的使用。
推荐模型篇：深度学习推荐模型的原理和实现方法，包括 Embedding+MLP ，Wide&Deep，PNN 等深度学习模型的架构和 TensorFlow 实现，以及注意力机制、序列模型、增强学习等相关领域的前沿进展。
效果评估篇：效果评估的主要方法和指标，建立起包括线下评估、线上 AB 测试、评估反馈闭环等整套的评估体系，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：讲 YouTube、阿里巴巴、微软、Pinterest 等一线公司的深度学习应用，帮你追踪业界发展的最新趋势。
目录也放这儿了👇
可以说，王喆老师的书也好，课也好，从未叫人失望过，而且他人也特别 nice，经常在课程留言区和大家讨论问题，如果对推荐系统感兴趣，这是一门值得用心学习的课程。
👆扫码免费试读+口令「happy2021」到手仅 ¥89
没计划的学习，都只是作秀。与其花时间找一堆资料，还不如有计划的消化一个系统的课。
👇点击「阅读原文」，新用户 ¥59.9 可得