这个系列是学习王喆的【深度学习推荐系统实战】时做的笔记和自己的学习总结。

零、一个栗子的引入

先从一个栗子入手，2019 年，阿里著名的千人千面系统驱动了天猫“双 11”2684 亿元的成交额。假设我们通过改进天猫的商品推荐功能，让平台整体的转化率提升 1%，那么在 2684 亿元成交额的基础上，我们就能再增加 26.84 亿元。 也就是说，推荐工程师仅通过优化推荐技术，就创造了 26.84 亿元的价值。这无疑是这个职位最大的魅力所在。

2013 年，百度率先在广告系统中应用了深度学习，2015 到 2020 年，阿里提出并应用了从 MLR 到 DIEN 等一系列的深度学习模型。国外的互联网巨头也不逞多让，从最早的 Google 的 Word2vec，到 2015 年 YouTube 的深度学习推荐系统，再到之后的 Facebook、Amazon、微软等等，几乎所有头部公司的成功应用，让深度学习如后浪般席卷了推荐系统业界，将传统的推荐模型彻底取代。
再或者说，我们最熟悉的天猫淘宝的双十一活动。

一、学习目标和要求

1.学习目标

在所有业界巨头的推荐引擎都由深度学习驱动的今天，作为一名推荐系统从业者，我们不应该止步于：
（1）不能满足于继续使用协同过滤、矩阵分解这类传统方法，而应该加深对深度学习模型的理解；加强对大数据平台的熟悉程度，培养结合业务和模型的技术直觉，提高我们整体的技术格局。
（2）王喆大佬之前在硅谷担任推荐算法架构师，团队踩过很多坑，其中他说最宝贵的一点： 只有建立起深度学习推荐系统的知识体系，从系统的层面考虑问题，我们才能够实现整体效果上的优化。
（3）最现实的问题是，企业的一些推荐、广告、搜索算法部分在招聘时，更喜欢动手能力强、有实习经历、有业界项目经验的（所以即使可能不放实习，卑微读研生就应该多做项目，提交到github上！）。
（4）很多师兄师姐也确实说过。。算法工程师知识更新很快，一不小心就处于淘汰的边缘，王喆大佬说人才的分布都是金字塔式的，与其抱怨，不如提高自己的知识储备、工程能力和技术视野。

2.课前要求

（1）有一定编程基础；（2）有基本的机器学习概念知识。

自己将会学习的资料：
（1）东北大学的字节大佬github推荐系统项目：
https://github.com/zhongqiangwu960812/AI-RecommenderSystem还有强哥的博客。
（2）王喆大佬的书《深度学习推荐系统》，注意书中的勘误。
（3）推荐算法的论文：
1.盘一盘推荐系统里值得一读的那些论文
2.从200多篇顶会论文看推荐系统前沿方向与最新进展
（4）动手搭建项目，像之前的京东NLP项目一样的工业级项目（尝试）。
（5）王喆大佬网站：http://wzhe.me/（有书中说的paper）
（6）推荐系统是否进入图神经网络时代？，一篇综述

二、课程体系

1.基础架构篇

（1）讲解我们要从 0 开始实现的推荐系统，Sparrow RecSys 的主要功能和技术架构。由于缺少工业级的实验环境，Sparrow RecSys 不可能是一个真正的工业级推荐系统，但是它的每一行代码都是严谨的，其中的每个方法都是经过业界验证的主流方法。
（2）还会使用到 Spark、Flink、TensorFlow 这些业界目前最流行的机器学习和大数据框架

2.特征工程篇

（1）讨论推荐系统会用到的特征，以及主要的特征处理方式，并且把它们都实践在 Spark 上。
（2）讲解深度学习中非常流行的 Embedding、Graph Embedding 技术。特征工程是在准备食材。利用学到的 Embedding 方法，来实现 Sparrow Recsys 中的相似电影推荐功能，在实践中快速成长起来。

3.线上服务篇

（1）一个工业级推荐系统和实验室 Demo 的最大区别就在于线上服务部分。我们要搭建一个推荐服务器，它包括了服务器、存储、缓存、模型服务等相关知识。
（2）初步掌握 Jetty Server、Spark、Redis，这些工程领域的核心技能。

4.推荐模型篇

（1）学习深度学习推荐模型的原理和实现方法，主要包括 Embedding+MLP 、Wide&Deep、PNN 等深度学习模型的架构和 TensorFlow 实现
（2）注意力机制、序列模型、增强学习等相关领域的前沿进展。

5.效果评估篇

（1）学习效果评估的主要方法和指标。
（2）对一个成熟的推荐系统来说，还需要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。

6.前沿拓展篇

讲解 YouTube、阿里巴巴、微软、Pinterest 等一线公司的深度学习应用，帮助你追踪业界发展的最新趋势，并且找到自己技术道路上的方向。

三、小结

不要老想着一蹴而就，推荐系统的每个模块都有着极深的技术纵深，不管是 TensorFlow 还是 Spark，还是 Redis、Flink，它们中的每一个都需要我们持续性的钻研。这里我贴加一张之前看到过的58同城的推荐系统整体架构：

毛小伟大佬对上图的总结：
数据层：前后端通过埋点记录用户日志数据，KaFka消息队列将数据存入HDFS大数据文件系统中。这一层技术栈是Hadoop、Spark大数据组件

策略层：平常所说的推荐算法就是指这一层，需要重点掌握。首先是召回，主要根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品，然后交给排序环节，排序环节可以融入较多特征，使用复杂模型，来精准地做个性化推荐。召回强调快，排序强调准。这一块重点掌握模型：协同过滤、矩阵分解、FM、Embeding、Wide&Deep及其改进。

应用层：根据业务需求而不同。比如：广告点击、商品推荐、短视频推荐。

《深度学习推荐系统》，这本书高屋建瓴的介绍了推荐系统整体架构，发展历史以及未来趋势，各种推荐模型的演化之路，很适合前期用来搭建推荐系统知识框架。但是具体的模型并没有深入讲解，还得自己去看论文。这个也很正常，作为算法人员，经常看论文是必须的，就像开发人员要时常看官方技术文档。

Reference

（1）《深度学习推荐系统实战》——王喆
（2）知乎：如何评价「深度学习推荐系统」这本书

文章来源: andyguo.blog.csdn.net，作者：山顶夕景，版权归原作者所有，如需转载，请联系作者。

原文链接：andyguo.blog.csdn.net/article/details/120521323