贪心学院-推荐系统工程师|价值21998元|学完年薪80万！|完结无秘

87

• 实现基于用户协同的文本推荐系统

基于nlp技术、Redis构建与存储内容画像

用户画像在推荐领域有着至关重要的作用，主流的协同以及今天大火的深度召回方法，如双塔、YouToBe召回方法等的情况下，基于用户画像的召回方法仍然适用，因其极具可控性与解释性，推荐领域，因其有这天然的业务性，导致推荐系统对可解释性要求极高，当出现推荐的bad case时，基于用户画像的召回策略是查找bad case的重要手段。

item2Vec的实现

推荐业务领域常常有如下场景，相关推荐、猜你还喜欢等，熟悉吧？背后支持的算法和系统策略逻辑是什么呢？答案就在此案例中，类似的相关推荐场景，即为：根据现有物品推荐另一相关的物品或者商品，借助于用户行为与word2vec思路，将item Embedding引入此场景，并适当引入side info信息来做商品的相关推荐方法，此案例将为你揭晓其中的秘密。

FM方法的实现

MF(矩阵分解)算法作为推荐算法经典代表作之一，其是最早体现出Embedding泛化扩展思想的雏形；之后，FM(因子分解机)算法在MF(矩阵分解)基础之上发扬光大，将Embedding思想进一步引入传统的机器学习做推荐，FM算法看成推荐领域的万金油，召回、粗排、精排均可用FM实现，在深度学习上线资源较困难的情况下，可视为推荐领域的baseline的不二法门，此案例中，你将亲自感受FM算法的魅力。

Wide&&Deep算法实现

推荐算法本质上就是在解决两个问题：记忆和泛化，传统的LR等模型，将大量的ID类稀疏特征直接喂给模型，再由广义线性模型直接学习这些ID类特征的权重，本质上就是模型对特征的简单粗暴的记忆，因此，泛化扩展性得不到保证，从未出现过的特征(如很重要的交叉特征等)，模型无法学习该特征权重，故特征的指征能力无法体现；因此，深度学习模型引入Embedding稠密向量概念，将不同特征之间的一部分共性抽象出，放入Embedding空间进行学习，这样的操作可以近乎看作是模糊查找，具有较强的泛化能力，但记忆性显然不如LR等模型，wide&&deep的提出是兼容记忆性与泛化性的考虑，在此基础上，后续的DeepFM等模型，也只是在wide端加强了模型对特征的显式交叉，但架构本质与wide&&deep模型是一样的。此案例就来带大家实操WDL方法。

推荐系统主要分为两个环节：召回和排序。这两个阶段，都离不开用户画像的支持，而用户画像又是在内容画像基础之上不断累积用户行为而来，故首先需要有内容画像，构建文本物品的内容画像需要nlp技术的支持，存储内容和用户画像依赖常用数据库以及贝叶斯平滑、威尔逊置信区间等技术；学习本项目后，你将了解到如何使用nlp技术抽取物品信息形成内容标签，依托mysql、Redis等数据库存储内容画像，并基于内容画像和用户行为形成用户画像，在此基础之上建立基于画像的推荐系统。

目前业界最主流的推荐系统使用 “多路召回 + 精排” 的方式，本项目中，带你掌握这种工业界最流行的推荐方式，你将使用MF、双塔等深度网络进算法对用户和物品进行表达，并基于ANN检索的方式实现召回，最后使用精排，对每个候选物品进行打分并排序，最后按照得分对用户进行物品展示。

目前业界有个趋势：“ 将图方法引入推荐系统 ”，那么具体要如何操作呢，有哪些图的推荐算法是目前业界比较流行的？这些方法是如何嵌入到推荐系统中的？哪些方法是基于用户行为的？哪些方法是同时引入先验的知识图谱信息与用户行为的？本项目带你掌握这些图方法，基于图方法对用户进行兴趣建模，从而实现召回目的；在精排打分阶段，目前业界各大厂也已经由传统模型全面替换成深度网络及其各种变种了，本项目将在排序阶段带你掌握深度网络的排序玩儿法。

目前业界流行的 “ 召回 + 精排 ” 模式的推荐方式有没有弊端呢？仔细想想，如果只基于这种方式来为用户展示物品，很多时候模型很难及时响应用户的实时交互需求，在本项目中，将带你实现推荐领域的实时交互策略、以及热点文章推荐的实时交互技术；让你了解如何计算实时收益、实现实时画像、增加推荐系统的实时交互性。