由于近些年深度學習技術的飛速發展，大力加速推動了AI在互聯網以及傳統各個行業的商業化落地，其中，推薦系統、計算廣告等領域彰顯的尤為明顯。由于推薦系統與提升用戶量以及商業化變現有著密不可分的聯系，各大公司都放出了眾多推薦系統相關職位，且薪水不菲，目前發展勢頭很猛。

?

但是，這里存在幾個問題，很多欲從事推薦系統的同學大多數學習的方式是自學，1、往往是學了很多的推薦算法模型，了解些推薦里常用的算法，如：協同過濾、FM、deepFM等，但是卻不清楚這些模型在工業界推薦系統中是如何串聯、如何配合、有哪些坑，哪些trick的，導致無論面試還是真正去業界做推薦系統，都會被推薦領域的”老槍老炮“們一眼識別出小白屬性。2、對于算法原理理解不深刻，這就會導致實際應用時不能很好地將模型的性能發揮出來，另外面試時對于大廠面試官的刨根問底，只能是眼睜睜的丟掉offer。

?

CF、FM、DSSM、DeepFM等這些推薦業界明星模型，你真的清楚他們的內部運行原理以及使用場景嗎？真的了解FM模型與SVM有什么相似之處嗎？FM固然可以用作為打分模型，但它可以用來做matching嗎，如果可以，如何做？item2Vec模型在業界是如何緩解冷啟動的問題的？雙塔模型優勢在哪？深度模型到底是如何做matching的，是離線計算好結果還是實時的對網絡進行前向計算？DeepFM具體實現時，wide端和deep端的優化方式是一樣的嗎？基于Graph的推薦方法在業界的應用目前是怎樣的？基于上述的目的，貪心學院推出了《推薦系統工程師培養計劃2期》，由一線的推薦系統負責人親自全程直播講解。?

《推薦算法工程師培養計劃》

專注于培養行業TOP10%的推薦算法工程師

對課程有意向的同學

添加課程顧問小姐姐微信

報名、課程咨詢

????????????

02 課程大綱

第一部分：推薦系統之內容理解與畫像構建

Week1：機器學習基礎

• 邏輯回歸模型

• 梯度下降法

• 神經網絡模型

• 過擬合與正則

• 常用的評價指標

• 常用的優化算法

• 向量、矩陣基礎

Week2：推薦系統基礎

• 推薦系統概述、架構設計

• 推薦系統后臺數據流設計

• 常用的技術棧

• 推薦系統中的評價指標

• 簡單的用戶協同

• 環境搭建

Week3：內容畫像的構建以及NLP技術

• 內容畫像的搭建基礎

• 關鍵詞提取技術tf-idf,?textRank

• LSTM與注意力機制

• Attention的幾種常用方式

• Self-Attention

• Multi-head Attention

• 雙線性Attention

• NLP工具的使用

• MySQL數據庫的搭建與內容畫像存儲

Week4：用戶畫像的構建

• 用戶畫像與內容畫像的關系

• 用戶畫像的架構

• 用戶畫像的擴展

• 用戶畫像與排序特征

• 用途：基于標簽的用戶畫像

• 標簽權重的計算方法（貝葉斯平滑、時間衰減）

• 基于用戶畫像的召回方法

• Redis的搭建與使用

• 基于Redis的用戶畫像存儲

• Hadoop, Hive, Spark等工具使用

第二部分：召回模型與策略、數據與采樣的學問

Week5：傳統Matching方法

• MF召回法以及求解

• 特征值分解

• 傳統奇異值分解之SVM

• FunkSVD?

• ALS方法

• SVD++

• 基于物品的協同Item-CF

Week6：深度 Matching方法

• MF召回法以及求解

• 理解Embedding技術

• Embedding為什么有效

• Embedding與稀疏ID類特征的關系

• Item-CF召回與Item2Vec

• Airbnb序列召回與冷啟動緩解思路

• NCF召回以及變種

• YouTube召回方法

• 從DSSM到雙塔模型

• 雙塔模型工業界的部署方法

• 多興趣召回

• MIND召回

• Faiss工具介紹

• KD樹，LSH，Simhash

?

Week7: Graph Embedding與用戶行為構建圖

• MIND召回

• 隨機游走于傳統協同方法

• Deepwalk

• Node2Vec及其同質性與結構性

• LINE?

• 隨機游走的實現

• Alias采樣方法

• Neo4j講解

• Graph Embedding的實現

• Node2Vec的實現

Week8:?圖推薦、圖神經網絡、采樣與熱度打壓

• MIND召回

• Graph Embedding優化

• EGS，注意力機制及其變種

• Ripple網絡方法

• 召回層采樣的坑與技巧

• 熱度抑制

• EGES的實現

• GCN和GAT?

• GraphSage

第三部分：排序模型、重排序與多目標

Week9:?經典Ranking模型方法

• MIND召回

• Ranking與用戶畫像

• 物品畫像

• LR模型

• GBDT+ LR

• FM模型詳解、業界使用方法與坑

• FFM模型

• AUC與GAUC

• 增量學習與Online Learning

• 從L1稀疏化、FOBOS到FTRL算法

• 基于FM實現Ranking精排序

?

Week10:?深度Ranking模型與工業采樣技巧

• 粗排與精排及其意義

• 主流深度推薦模型的集中范式

• 特征自動組合：Deep&Cross, XDeepFM, PNN

• 特征重要度提取以及無用特征去噪：AFM， DeepFFM

• 序列推薦模型：DIN，DIEN， AttRes，Stamp

• 獨辟蹊徑之序列推薦的優化思路

• 深度模型工具的介紹與使用

• MLSQL

• DeepCTR等與工業界采樣方法

Week11:?重排序與多目標學習

• 多目標學習的幾種范式

• 范式一：樣本加權

• 范式二：多模型融合

• 范式三：聯合訓練、ESMM，MMOE框架，ESM2等

• ESMM的實現

第四部分：實時召回策略與前沿推薦技術

Week12-13:?工業界新聞推薦系統中冷啟動與熱點文章實時召回

• 人群分桶

• 實時交互正反饋

• 實時召回與實時畫像技術

• 人群投票

• 人群等級投票

• 降維分發

• 后驗與先驗的結合

• 引入注意力機制的優化興趣增加和衰減

• 熱點文章召回策略

• 本地文章召回策略

• 算法策略與運營配合協作

Week14:?強化學習與推薦系統、AutoML與推薦系統

• 強化學習概念、以及在推薦系統中的對應

• DP算法本質思想

• 馬爾科夫決策

• 蒙特卡洛搜索所樹(MCTS)

• UCB及其在推薦系統中的應用

• 湯普森采樣法

• Q-Learning、DRN、策略梯度

• 強化學習在推薦場景中的應用

Week15:?項目總結，部署以職業規劃

• 工業界項目的部署

• 推薦系統崗位的面試要點

• 大廠的面試攻略

• 如何準備簡歷、包裝自己

• 職業規劃

03 課程適合誰？

大學生

• 理工科相關專業的本科/碩士/博士生，畢業后想從事AI工作的人

• 今后想從事推薦系統相關工作的人

• 希望能夠深入AI領域，為科研或者出國做準備

• 希望系統性學習推薦相關的技術
  

在職人士

• 目前從事IT相關的工作，今后想做跟推薦相關的項目

• 目前從事AI相關的工作，希望與時俱進，加深對技術的理解

• 希望能夠及時掌握前沿技術

04?報名須知

1、本課程為收費教學。

2、本期僅招收剩余名額有限。

3、品質保障！正式開課后7天內，無條件全額退款。

4、學習本課程需要具備一定的機器學習基礎。

●●●

課程其他的細節可以聯系課程顧問來獲取

添加課程顧問微信

報名、課程咨詢

????????????

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的【限时】推荐算法工程师培养计划的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。