【面向工业界】推荐算法工程师培养计划

由于近些年深度学习技术的飞速发展，大力加速推动了AI在互联网以及传统各个行业的商业化落地，其中， 推荐系统 、计算广告等领域彰显的尤为明显。由于推荐系统与提升用户量以及商业化变现有着密不可分的联系，各大公司都放出了众多推荐系统相关职位，且薪水不菲，目前发展势头很猛。

 

但是，这里存在几个问题，很多欲从事推荐系统的同学大多数学习的方式是自学，1、往往是学了很多的推荐算法模型，了解些推荐里常用的算法，如：协同过滤、FM、deepFM等， 但是却不清楚这些模型在工业界推荐系统中是如何串联、如何配合、有哪些坑，哪些trick的，导致无论面试还是真正去业界做推荐系统，都会被推荐领域的”老枪老炮“们一眼识别出小白属性 。2、对于算法原理理解不深刻，这就会导致实际应用时不能很好地将模型的性能发挥出来，另外面试时对于大厂面试官的刨根问底，只能是眼睁睁的丢掉offer。

 

CF、FM、DSSM、DeepFM等这些推荐业界明星模型， 你真的清楚他们的内部运行原理以及使用场景吗 ？真的了解FM模型与SVM有什么相似之处吗？FM固然可以用作为打分模型，但它可以用来做matching吗，如果可以，如何做？item2Vec模型在业界是如何缓解冷启动的问题的？双塔模型优势在哪？深度模型到底是如何做matching的，是离线计算好结果还是实时的对网络进行前向计算？DeepFM具体实现时，wide端和deep端的优化方式是一样的吗？基于Graph的推荐方法在业界的应用目前是怎样的？ 基于上述的目的， 贪心学院推出了《推荐系统工程师培养计划2期》，由一线的推荐系统负责人亲自 全程直播讲解 。 

《推荐算法工程师培养计划》

专注于培养行业TOP10%的推荐算法工程师

对课程有意向的同学

添加课程顾问小姐姐微信

报名、课程咨询

👇👇👇

02 课程大纲

第一部分：推荐系统之内容理解与画像构建

Week1：机器学习基础

• 逻辑回归模型

• 梯度下降法

• 神经网络模型

• 过拟合与正则

• 常用的评价指标

• 常用的优化算法

• 向量、矩阵基础

Week2：推荐系统基础

• 推荐系统概述、架构设计

• 推荐系统后台数据流设计

• 常用的技术栈

• 推荐系统中的评价指标

• 简单的用户协同

• 环境搭建

Week3：内容画像的构建以及NLP技术

• 内容画像的搭建基础

• 关键词提取技术tf-idf, textRank

• LSTM与注意力机制

• Attention的几种常用方式

• Self-Attention

• Multi-head Attention

• 双线性Attention

• NLP工具的使用

• MySQL数据库的搭建与内容画像存储

  
  

Week4：用户画像的构建

• 用户画像与内容画像的关系

• 用户画像的架构

• 用户画像的扩展

• 用户画像与排序特征

• 用途：基于标签的用户画像

• 标签权重的计算方法（贝叶斯平滑、时间衰减）

• 基于用户画像的召回方法

• Redis的搭建与使用

• 基于Redis的用户画像存储

• Hadoop, Hive, Spark等工具使用

第二部分：召回模型与策略、数据与采样的学问

Week5：传统Matching方法

• MF召回法以及求解

• 特征值分解

• 传统奇异值分解之SVM

• FunkSVD 

• ALS方法

• SVD++

• 基于物品的协同Item-CF

Week6：深度 Matching方法

• MF召回法以及求解

• 理解Embedding技术

• Embedding为什么有效

• Embedding与稀疏ID类特征的关系

• Item-CF召回与Item2Vec

• Airbnb序列召回与冷启动缓解思路

• NCF召回以及变种

• YouTube召回方法

• 从DSSM到双塔模型

• 双塔模型工业界的部署方法

• 多兴趣召回

• MIND召回

• Faiss工具介绍

• KD树，LSH，Simhash

 

Week7: Graph Embedding与用户行为构建图

• MIND召回

• 随机游走于传统协同方法

• Deepwalk

• Node2Vec及其同质性与结构性

• LINE 

• 随机游走的实现

• Alias采样方法

• Neo4j讲解

• Graph Embedding的实现

• Node2Vec的实现

Week8: 图推荐、图神经网络、采样与热度打压

• MIND召回

• Graph Embedding优化

• EGS，注意力机制及其变种

• Ripple网络方法

• 召回层采样的坑与技巧

• 热度抑制

• EGES的实现

• GCN和GAT 

• GraphSage

第三部分：排序模型、重排序与多目标

Week9: 经典Ranking模型方法

• MIND召回

• Ranking与用户画像

• 物品画像

• LR模型

• GBDT+ LR

• FM模型详解、业界使用方法与坑

• FFM模型

• AUC与GAUC

• 增量学习与Online Learning

• 从L1稀疏化、FOBOS到FTRL算法

• 基于FM实现Ranking精排序

 

Week10: 深度Ranking模型与工业采样技巧

• 粗排与精排及其意义

• 主流深度推荐模型的集中范式

• 特征自动组合：Deep&Cross, XDeepFM, PNN

• 特征重要度提取以及无用特征去噪：AFM， DeepFFM

• 序列推荐模型：DIN，DIEN， AttRes，Stamp

• 独辟蹊径之序列推荐的优化思路

• 深度模型工具的介绍与使用

• MLSQL

• DeepCTR等与工业界采样方法

Week11: 重排序与多目标学习

• 多目标学习的几种范式

• 范式一：样本加权

• 范式二：多模型融合

• 范式三：联合训练、ESMM，MMOE框架，ESM2等

• ESMM的实现

第四部分：实时召回策略与前沿推荐技术

Week12-13: 工业界新闻推荐系统中冷启动与热点文章实时召回

• 人群分桶

• 实时交互正反馈

• 实时召回与实时画像技术

• 人群投票

• 人群等级投票

• 降维分发

• 后验与先验的结合

• 引入注意力机制的优化兴趣增加和衰减

• 热点文章召回策略

• 本地文章召回策略

• 算法策略与运营配合协作

Week14: 强化学习与推荐系统、AutoML与推荐系统

• 强化学习概念、以及在推荐系统中的对应

• DP算法本质思想

• 马尔科夫决策

• 蒙特卡洛搜索所树(MCTS)

• UCB及其在推荐系统中的应用

• 汤普森采样法

• Q-Learning、DRN、策略梯度

• 强化学习在推荐场景中的应用

Week15: 项目总结，部署以职业规划

• 工业界项目的部署

• 推荐系统岗位的面试要点

• 大厂的面试攻略

• 如何准备简历、包装自己

• 职业规划

03 课程适合谁？

大学生

• 理工科相关专业的本科/硕士/博士生，毕业后想从事AI工作的人

• 今后想从事推荐系统相关工作的人

• 希望能够深入AI领域，为科研或者出国做准备

• 希望系统性学习推荐相关的技术
  

在职人士

• 目前从事IT相关的工作，今后想做跟推荐相关的项目

• 目前从事AI相关的工作，希望与时俱进，加深对技术的理解

• 希望能够及时掌握前沿技术

04 报名须知

1、本课程为收费教学。

2、本期仅招收剩余名额有限。

3、品质保障！正式开课后7天内，无条件全额退款。

4、学习本课程需要具备一定的机器学习基础。

●●●

课程其他的细节可以联系课程顾问来获取

添加课程顾问微信

报名、课程咨询

👇👇👇

本文分享自微信公众号 - AI算法与图像处理（AI_study）。
如有侵权，请联系 [email protected] 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。