搭建深度学习推荐系统实战

前两天有个 94 年的读者分享，说在做推荐系统，拿了某个一线大厂的 Offer，开的年薪 70 万。

 

虽然不是很高（也算很不错了，毕竟才 94 的），但也是一个程序员刚刚爆发的起点，可以预见未来的发展空间有多大。

 

为什么推荐系统这么值钱？这其实是由“商业价值”决定的 —— “推荐系统”从没像现在这样，影响着我们的生活。

 

比如：打开抖音，喜欢的内容已经开始播放了；打开淘宝，想购买的商品已经展示在眼前了。抖音平均日活超 6 亿，天猫双 11 的成交额超 4000 亿的背后，都是“推荐系统”的功劳。

 

假设，天猫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 4000 多亿成交额的基础上，再增加 40 多亿。这就是推荐工程师的最牛的地方，也是为啥人能拿百万年薪的原因。

 

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。但在一个成熟的推荐系统上，找到提升的突破点并不容易——不能满足于协同过滤、矩阵分解这类传统方法，而要建立起完整的“深度学习推荐系统”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，才能实现整体效果上的优化。

 

所以，想学习推荐系统，关键在于「体系化 + 实操」。最近，我又重温了《深度学习推荐系统》这个专栏，2 刷有不少新的启发。作者王喆，Roku 推荐系统架构负责人，也是圈里的大佬，一直深耕在推荐系统、计算广告领域，经验非常丰富。他之前出过同名的书，豆瓣评分 9.3，相当高。他还是知乎 10W+ 粉丝的大咖，分享的很多知识和观点，影响了不少人。

早年我看他的书时，感觉更偏模型原理。后来听说他开了个实践专栏，第一时间就订阅了，果然惊喜，先分享一个王喆专栏里总结的「推荐系统核心知识图谱」，建议收藏。

除了让我完整地把推荐系统的原理捋了一遍，更重要的是，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」，带你亲手尝试，从 0 到 1，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）。可以说是书的实践版本，里面加入了更多技术细节的实现和讨论。

此外，还讲解了深度学习推荐系统的经典技术架构，以及 Spark、TensorFlow、Flink 等主流工具的实践经验，毫不夸张的说，想学深度学习推荐系统，看这个专栏就够了。这个专栏刚刚破万订阅，推荐给你，扫码免费试读👇

 

限时破万秒杀+口令「wangzhe66」

到手仅 ¥84，订阅价 ¥129

新用户到手仅 ¥59

 

 

王喆这课，为啥值得买？

 

先来说说这个 SparrowRecsys 推荐系统。王喆把它叫做“麻雀推荐系统”，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

 

以上这些在内的，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。

 

最后你实现的推荐系统会是这个样子👇

 

SparrowRecSys的首页

 

SparrowRecSys的相似电影推荐页

 

在这些前端页面的背后，是你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：

 

SparrowRecSys的技术架构

 

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。在这里贴 15 个专栏里讨论的问题，看专栏留言区的讨论，感觉收获更大。

 

 

最后说说，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，不成问题，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，经常在专栏下面跟读者留言互动，这种耐心和责任心，真不是一般人有的。

 

👆扫码免费试读

限时破万秒杀+口令「wangzhe66」

到手仅 ¥84 ，订阅价 ¥129

新用户到手仅 ¥59

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，更值。

 

👇点击「阅读原文」，新用户 ¥59 就能拿下。