王喆：深度学习推荐系统实战

推荐系统从来没像现在这样，影响着我们的生活。当你上网购物时，天猫、京东会为你推荐商品；想了解资讯，头条、知乎会为你准备感兴趣的新闻和知识；想消遣放松，抖音、快手会为你奉上让你欲罢不能的短视频。

而驱动这些巨头进行推荐服务的，就是基于深度学习的推荐模型。

2019 年，阿里的千人千面系统，促成了天猫”双 11“ 2684 亿的成交额。假设通过改进天猫的商品推荐功能，使平台整体的转化率提升 1%，就能在 2684 亿元成交额的基础上，再增加 26.84 亿元。这就是推荐工程师支撑起百万年薪的主要原因。

但是，要在一个成熟的推荐系统上，找到提升的突破点或短板并不容易。不能仅仅满足于协同过滤、矩阵分解这类传统方法，而要建立起完整的深度学习推荐系统知识体系，加深对深度学习模型的理解和大数据平台的熟悉程度，才能实现整体效果上的优化。

今年上半年，因为疫情抽空看了本书叫《深度学习推荐系统》，对我启发很大，豆瓣评分也挺高的，9.3。作者是王喆，他是 Roku 资深机器学习工程师，推荐系统架构负责人，从业这些年，他一直深耕于推荐系统、计算广告领域，经验非常丰富。

最近，得知他和极客时间合作，开设了新的专栏《深度学习推荐系统实战》，我第一时间就订阅了，跟了学了几节，很想把这个专栏推荐给你。

在专栏中，他讲解了深度学习推荐系统的经典架构设计，带你掌握 Embedding 技术的主要实现方法，构建完整的推荐系统评估体系路径，搭建出一个工业级的深度学习推荐系统。

他是如何讲解这门课程的？

在课程设置上，他遵循了经典推荐系统的框架，将课程分为 6 个部分，每节课重点解决一个技术难点，通过 30+ 深度学习推荐系统问题，带你串联起深度学习推荐系统的知识体系，并收获了一套他实践过的深度学习推荐系统开源代码，实现一个工业级的深度学习推荐系统。

这是专栏里的学习图谱，方便你了解这门课程的课程设计以及所用到的技术。

基础架构篇：从推荐系统要解决的主要问题入手，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，也会用到 Spark、Flink、TensorFlow 等业界最流行的机器学习和大数据框架。

特征工程篇：他会和你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。除此之外，还会讲解深度学习中非常流行的 Embedding、Graph Embedding 技术，并带你实现 Sparrow Recsys 中的相似电影推荐功能。

线上服务篇：在这一部分，他会带你实打实地搭建一个推荐服务器，包括服务器、存储、缓存、模型服务等模块和相关知识，涉及 Jetty Server， Spark、Redis 的使用，带你初步掌握推荐工程师在工程领域的核心技能。

推荐模型篇：这一部分是整门课程的重点，带你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，以及注意力机制、序列模型、增强学习等相关领域的前沿进展。

效果评估篇：重点学习效果评估的主要方法和指标，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。

前沿拓展篇：将业界巨头们的深度学习推荐系统方案进行融汇贯通，重点讲解 YouTube、阿里巴巴、微软、Pinterest 等一线公司的深度学习应用，帮你追踪业界发展的最新趋势，并找到自己技术道路的方向。