推荐系统的构建: 从经典到深度学习方法

Posted 2021-04-19 机器学习与推荐算法

推荐系统是人工智能、机器学习与大数据最为直接的前沿应用，是和日常生产和生活结合最为紧密的智能系统。

近十年来，越来越多的推荐系统部署在电子商务、在线社交、搜索引擎、人机交互等各个互联网领域。同时，在金融、医疗、物流供应等传统领域，结合相关领域知识定制化的智能推荐系统也正在崛起。

>>图片来自「智能推荐系统入门与提高」课件<<

越来越多的企业把推荐系统作为开展业务的核心支持系统，其中包括国内外众所周知的企业如阿里巴巴（Alibaba）、百度（Baidu）、腾讯（Tencent）、Amazon、Facebook、Twitter、Google等。

因此，市场对构建智能推荐系统高级人才需求在日益增大。然而，国内鲜有高校开设推荐系统的相关课程。虽然现在也有一些在线课程，但是很多课程为了迎合转行从业者以及科研项目的需求，在课程设置中更加偏重于实践操作，往往忽视理论层面系统完整的知识体系。

最终导致学习者做出来的推荐系统无法很好地贴合用户需求，效果很差，但是面对底层逻辑又无法进行合理的理论分析与修改，举步维艰！

为了完备自己的理论知识体系，更多的伙伴会更加倾向于买一本书或者到网上查资料来解决。虽然书籍相比于博文、经验贴的知识更加系统，但是在与实践结合的时候难免会出现大相径庭的感觉，又很难通过查阅各种资料来解决问题。

而这些，最好的解决办法就是能够有大神教、有大佬带、有完整的知识体系，并且还要包含实践内容，这样才能够帮助我们夯实基础、提升实践能力，便于解决学习中遇到的所有问题。

基于以上，深蓝学院诚邀悉尼科技大学的胡亮与汪守金两位博士，共同打磨推出了『智能推荐系统入门与提高』课程，并且 操龙兵 与 曹建 两位教授也对课程的制作提供了指导建议。

课程整体采用由浅入深的教学方式，从构建基本的经典推荐系统入手，逐步过渡到基于深度学习、图网络的更为复杂的推荐系统的搭建，深入理解不同推荐系统的优缺点。

胡亮、汪守金两位博士在课程学习中，会在答疑群中及时解答同学们的问题并交流，帮助每一位学员解决学习中遇到的问题。除此之外，课程的每一个章节都会有作业安排，并且会有专属的助教，为学员的作业进行反复多次的批改反馈，帮助大家在每一次作业实践中学习、成长！

讲师团队

胡亮 / 讲师

上海交通大学-悉尼科技大学双博士

研究领域：推荐系统、机器学习、数据科学等

在WWW，IJCAI，AAAI，ICDM，ICWS，TOIS，IEEE-IS等刊物发表论文30余篇，提出的推荐系统模型和算法，已经被诸多国内外项目采用，包括三星、摩根士丹利、携程、澳大利亚税务局、澳大利亚专利局等。

 

汪守金/讲师

悉尼科技大学客座研究员

悉尼科技大学数据科学与人工智能方向博士

主要研究方向：数据科学、机器学习、用户行为分析、时间序列数据分析与推荐系统。

在国际知名会议期刊IJCAI, AAAI, TNNLS, TII, TSMC-Systems上发表高水平文章20余篇，其中单篇被引超过140次。

课程大纲

>>点击图片，查看大图<<     

项目实践

• 使用Python基本模块构建经典推荐系统

o 基于用户和物品属性的线性回归模型进行物品评分预测

o 基于用户和物品属性的Logistic回归模型进行物品点击预测

o 基于用户和物品属性的Softmax回归模型进行物品排序推荐

• 使用Numpy、Pandas、Scikit-learn等Python库进行推荐性能评估

o 使用Numpy, Pandas等计算推荐结果的精度，多样性，新颖性等指标

• 使用深度学习库（以Keras为例）构建深度推荐模型

o 使用Keras构建基于用户和物品属性的Neural Regression Recommendation Models，Neural Matrix Factorization，Neural Factorization Machines

o 使用Keras构建基于用户交易记录和会话数据的Recurrent Neural Networks, Convolutional Neural Networks, Graph Neural Networks等神经网络模型

抢占优惠名额

现在报名，即可优惠100元！

不要轻易错过机会

备注“813”，会优先通过哦~

▲  立即扫码咨询

还有疑问？

赶快添加「叶子」，获取专业解答!