工業級推薦系統 思維導圖
基礎架構
深度學習推薦系統的經典技術架構
Netflix 的推薦系統的經典架構圖
Sparrow RecSys
Sparrow Recsys的推薦系統架構
分為三個模塊：數據、模型和前端。都用業界推薦系統的主流技術，數據用 Spark，Flink 進行樣本和特征的處理，模型用 TensorFlow 訓練深度神經網絡、Wide&Deep、PNN 等模型
Sparrow Recsys中的技術點
深度學習基礎
特征工程
推薦系統有哪些可供利用的特征
可被划分到“用戶行為”“用戶關系”“屬性標簽”“內容數據”“場景信息”這五個類別，而且挑選特征的方法也遵循着“保留有用信息，摒棄冗余信息”的原則
如何利用Spark解決特征處理問題
用 Embedding 方法進行相似物品推薦
Embedding 就是用一個數值向量“表示”一個對象的方法。Word2vec 是生成對“詞”的向量表達的模型。在訓練完成后，模型輸入向量矩陣的行向量，就是我們要提取的詞向量。Item2vec是 Word2vec 在任意序列數據上的推廣
如何利用圖結構數據生成Graph Embedding
如何使用Spark生成Item2vec和Graph Embedding
線上服務
如何在線上提供高並發的推薦服務
推薦系統技術架構圖
如何用Redis解決推薦系統特征的存儲問題
SparrowRecsys的存儲方案
如何快速又准確地篩選掉不相關物品
召回層的功能特點和實現方法
如何在常數時間內搜索Embedding最近鄰
怎樣把你的離線模型部署到線上
推薦模型
最經典的推薦模型，協同過濾
深度學習推薦模型發展的整體脈絡