轉眼就開工了，7 天的假期，刷刷抖音，說走就走了。前端
說到抖音，就不得不提它的推薦系統，太 NB 了。刷了啥，馬上記住你的偏好，推薦類似內容，一不當心 2 小時就過去了，讓人慾罷不能，要麼日活 6 億呢。數據庫
其實「推薦系統」從沒像如今這樣，影響着咱們的生活。除了抖音、快手這類短視頻，還有網購時，天貓、京東會爲你推薦商品；想看看資訊，頭條、知乎會爲你準備感興趣的新聞等等。緩存
而驅動這些巨頭進行推薦服務的，都是基於深度學習的推薦模型。服務器
想起 2019 年阿里的千人千面系統，促成了天貓「雙 11」 2684 億成交額。假設經過改進商品推薦功能，使平臺總體的轉化率提高 1%，就能在 2684 億成交額的基礎上，再增長 26.84 億。這就是推薦工程師的最牛的地方，也是爲啥人能拿百萬年薪的緣由。微信
但在一個成熟的推薦系統上，找到提高的突破點並不容易——不能知足於協同過濾、矩陣分解這類傳統方法，而要創建起完整的「深度學習推薦系統」知識體系，加深對深度學習模型的理解，以及大數據平臺的熟悉程度，才能實現總體效果上的優化。架構
因此春節假期除了刷抖音，我又從新看了看《深度學習推薦系統》這個專欄，2 刷有很多新的啓發。做者王喆，Roku 推薦系統架構負責人，也是咱圈裏的大佬，一直深耕在推薦系統、計算廣告領域，經驗很是豐富。他以前出過同名的書，豆瓣評分 9.3，至關高。app
當年我看書的時候，就感受實踐太少，偏模型原理。因此在據說王喆開了個實踐專欄時，第一時間就訂閱了，跟着學下來，受益不淺。讓我完整地把推薦系統的原理捋了一遍。下面王喆總結的「核心知識圖譜」，建議收藏。框架
最重要的是，實操性特別強。王喆特意爲了這個專欄，開發了一個開源項目「 SparrowRecsys」，能讓你親手嘗試，搭建一套完整的深度學習推薦系統（下面有詳細介紹，賊有意思）。能夠說是書的實踐版本，裏面加入了更多技術細節的實現和討論。機器學習
絕不誇張的說，這個專欄讓我對深度學習推薦系統的認知，提高到了一個新高度，因此很想把它推薦給你。最近這個專欄要漲價到 ￥129 了，如今到手僅 ￥69 ，必定別錯過了，掃碼免費試讀👇ide
秒殺+口令「shendu666」
到手僅 ¥69 ，即將漲至 ¥129
王喆這課，爲啥值得買？
先來講說這個 SparrowRecsys 推薦系統。王喆把它叫作「麻雀推薦系統」，取「麻雀雖小、五臟俱全」之意，它利用了開源的 movielens 數據集，搭建起了包括：
Spark、Flink 特徵工程
TensorFlow 深度學習模型訓練
TensorFlow Serving 模型服務
Redis 在線特徵數據庫
Jetty Server 推薦服務器
JS 前端實現
以上這些在內的，一整套深度學習推薦系統。不說它能支撐起一箇中大型公司的推薦系統，可是毫無疑問，它能夠成爲一個工業級推薦系統的種子項目。而這一切，都能在課程裏，一步步嘗試搭建起來。
最後你實現的推薦系統會是這個樣子👇
SparrowRecSys的首頁
SparrowRecSys的類似電影推薦頁
在這些前端頁面的背後，是你能實現的一個又一個深度學習模型：
對於電影的類似推薦功能，王喆會使用各類 Embedding based 的方法，好比 item2vec，graph embedding 等等。
對於推薦功能，會基於 TensorFlow 實現Embedding MLP，Wide&Deep，NerualCF，Two Towers，DeepFM，DIN 等等深度學習模型，而後使用 TensorFlow serving 去進行模型服務。
對於召回層、排序層這些推薦邏輯，也會全盤在基於 Jetty 的推薦服務器中實現。
整個項目總體的技術架構是下面這個樣子的：
SparrowRecSys的技術架構
是否是感受很牛。其次，專欄本計劃是 30 講，生生寫到 43 講，補充討論了不少熱門的問題。在這裏貼 15 個專欄裏討論的問題，看專欄留言區的討論，感受收穫更大。
最後說說，他是怎樣講解這門課程的？
總體遵循了經典推薦系統的框架，分爲 6 部分，學懂了，實現一個工業級的深度學習推薦系統，不成問題，簡單介紹下：
基礎架構篇：講要從 0 開始實現的推薦系統， Sparrow RecSys 的主要功能和技術架構，也會用到 Spark、Flink、TensorFlow 等業界最流行的機器學習和大數據框架。
特徵工程篇：討論推薦系統會用到的特徵，以及主要的特徵處理方式，並將其實踐在 Spark 上。此外，還有深度學習中很是流行的 Embedding、Graph Embedding 技術，並帶你實現 Sparrow Recsys 中的類似電影推薦功能。
線上服務篇：帶你搭建一個推薦服務器，包括服務器、存儲、緩存、模型服務等模塊和相關知識，涉及 Jetty Server， Spark、Redis 的使用。
推薦模型篇：深度學習推薦模型的原理和實現方法，包括 Embedding+MLP ，Wide&Deep，PNN 等深度學習模型的架構和 TensorFlow 實現，以及注意力機制、序列模型、加強學習等相關領域的前沿進展。
效果評估篇：效果評估的主要方法和指標，創建起包括線下評估、線上 AB 測試、評估反饋閉環等整套的評估體系，真正可以用業界的方法，而不是實驗室的指標來評價一個推薦系統。
前沿拓展篇：講 YouTube、阿里巴巴、微軟、Pinterest 等一線公司的深度學習應用，幫你追蹤業界發展的最新趨勢。
能夠說，王喆老師的書也好，課也好，從未叫人失望過，並且他人也特別 nice，常常在專欄下面跟讀者留言互動，這種耐心和責任心，真不是通常人有的。
好了，再強調一遍
專欄原價 ￥99，秒殺 ￥79
疊加優惠口令「shendu666」
到手 ¥69，至關於半價了
立刻就漲到 ¥129 啦
👆掃碼免費試讀
沒計劃的學習，都只是做秀。與其花時間找一堆資料，還不若有計劃的消化一個系統的課，更值。
👇點擊「閱讀原文」，記得用口令「shendu666」，到手僅￥69，立刻漲價到 ￥129 了。
本文分享自微信公衆號 - NewBeeNLP（NewBeeNLP）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。