详解工业级推荐系统从0到1的构建
Posted 专知
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了详解工业级推荐系统从0到1的构建相关的知识,希望对你有一定的参考价值。
逻辑回归模型
梯度下降法
神经网络模型
过拟合与正则
常用的评价指标
常用的优化算法
向量、矩阵基础
推荐系统概述、架构设计
推荐系统后台数据流设计
常用的技术栈
推荐系统中的评价指标
简单的用户协同
环境搭建
内容画像的搭建基础
关键词提取技术tf-idf, textRank
LSTM与注意力机制
Attention的几种常用方式
Self-Attention
Multi-head Attention
双线性Attention
NLP工具的使用
mysql数据库的搭建与内容画像存储
用户画像与内容画像的关系
用户画像的架构
用户画像的扩展
用户画像与排序特征
用途:基于标签的用户画像
标签权重的计算方法(贝叶斯平滑、时间衰减)
基于用户画像的召回方法
Redis的搭建与使用
基于Redis的用户画像存储
Hadoop, Hive, Spark等工具使用
MF召回法以及求解
特征值分解
传统奇异值分解之SVM
FunkSVD
ALS方法
SVD++
基于物品的协同Item-CF
MF召回法以及求解
理解Embedding技术
Embedding为什么有效
Embedding与稀疏ID类特征的关系
Item-CF召回与Item2Vec
Airbnb序列召回与冷启动缓解思路
NCF召回以及变种
YouTube召回方法
从DSSM到双塔模型
双塔模型工业界的部署方法
多兴趣召回
MIND召回
Faiss工具介绍
KD树,LSH,Simhash
MIND召回
随机游走于传统协同方法
Deepwalk
Node2Vec及其同质性与结构性
LINE
随机游走的实现
Alias采样方法
Neo4j讲解
Graph Embedding的实现
Node2Vec的实现
MIND召回
Graph Embedding优化
EGS,注意力机制及其变种
Ripple网络方法
召回层采样的坑与技巧
热度抑制
EGES的实现
GCN和GAT
GraphSage
MIND召回
Ranking与用户画像
物品画像
LR模型
GBDT+ LR
FM模型详解、业界使用方法与坑
FFM模型
AUC与GAUC
增量学习与Online Learning
从L1稀疏化、FOBOS到FTRL算法
基于FM实现Ranking精排序
粗排与精排及其意义
主流深度推荐模型的集中范式
特征自动组合:Deep&Cross, XDeepFM, PNN
特征重要度提取以及无用特征去噪:AFM, DeepFFM
序列推荐模型:DIN,DIEN, AttRes,Stamp
独辟蹊径之序列推荐的优化思路
深度模型工具的介绍与使用
MLSQL
DeepCTR等与工业界采样方法
多目标学习的几种范式
范式一:样本加权
范式二:多模型融合
范式三:联合训练、ESMM,MMOE框架,ESM2等
ESMM的实现
人群分桶
实时交互正反馈
实时召回与实时画像技术
人群投票
人群等级投票
降维分发
后验与先验的结合
引入注意力机制的优化兴趣增加和衰减
热点文章召回策略
本地文章召回策略
算法策略与运营配合协作
强化学习概念、以及在推荐系统中的对应
DP算法本质思想
马尔科夫决策
蒙特卡洛搜索所树(MCTS)
UCB及其在推荐系统中的应用
汤普森采样法
Q-Learning、DRN、策略梯度
强化学习在推荐场景中的应用
工业界项目的部署
推荐系统岗位的面试要点
大厂的面试攻略
如何准备简历、包装自己
职业规划
以上是关于详解工业级推荐系统从0到1的构建的主要内容,如果未能解决你的问题,请参考以下文章