手把手带你搭建推荐系统

存储方式：百度网盘

介绍

在推荐算法刚刚兴起的时候，基本上只要懂一些推荐系统算法的理论，就能够找到一份推荐算法相关的工作。但现在，只有对推荐系统整个的运转流程有了足够的了解，才能够获得企业的青睐。要想拥有推荐系统的全局视角，掌握在面对不同问题时灵活变通的方法，demo 级别的训练远远不够。

为此，我们特地邀请到了在算法和深度学习领域深耕多年的黄鸿波老师，他将提供一整套推荐系统的工程化方案，带你从获取真实的原始数据开始，通过数据处理、特征采集、内容画像、用户画像等一系列步骤，最终把整个系统部署和发布到 Linux 系统上。

同时，这门课程采用环环相扣的讲解方式：前面讲到的内容，一定是后面的系统搭建中的一步。通过这个方式，你能有效掌握推荐系统的全流程，避免“一学就会，一用就废”。

最后，我们还特地为你准备了方便对照学习的完整代码。

推荐系统主代码的 GitHub 地址如下：
https://github.com/ipeaking/recommendation

配合推荐系统的 Android 代码 GitHub 地址如下（含前端部分）：
https://github.com/ipeaking/recommendation_for_android

爬虫代码 GitHub 地址如下：
https://github.com/ipeaking/scrapy_sina

章节

 开篇词｜从企业级项目开始，进阶推荐系统
01｜推荐系统：我们应该怎样学习推荐系统？
02｜Netflix推荐系统：企业级的推荐系统架构是怎样的？
03｜数据处理：我们应该如何获取和处理数据？
04｜MongoDB：如何安装和使用MongoDB数据库？
05｜Redis：如何安装和使用Redis数据库？
06｜网络爬虫：爬取一个网站的流程是怎样的？
07｜数据获取：什么是Scrapy框架？
08｜数据获取：如何使用Scrapy框架爬取新闻数据？
09｜数据存储：如何将爬取到的数据存入数据库中？
10｜数据加工：如何将原始数据做成内容画像？
11｜基于规则的召回：如何使用规则找到用户的兴趣点？
12｜基于热度的召回：如何使用热门内容来吸引用户？
13｜基于关键词的召回：如何使用关键词吸引用户？
14｜基于Flask的推荐服务：搭建基础的Flask服务
15｜基于Flask的推荐服务：如何把召回集推荐出去？
16｜基础用户画像：如何用好用户的注册信息？
17｜推荐系统前端：如何用一个界面展示我们的成果？
18｜一个简单的推荐服务闭环包括哪些模块？
19｜协同过滤：召回算法中永远不落幕的经典
20｜Embedding：深入挖掘用户底层特征
21｜YouTubeDNN：召回算法的后起之秀（上）
22｜YouTubeDNN：召回算法的后起之秀（下）
23｜流程串联：数据处理和协同过滤串联进行内容推荐
24｜GBDT+LR：排序算法经典中的经典
25｜DeepFM：如何使用深度学习技术给数据排序？
26｜重排序：如何对排序后的内容进行微调？
27｜部署：如何在Linux上配合定时任务部署推荐系统服务？
28｜珠联璧合：Kafka与推荐服务的联动
29｜推荐系统的工程化策略及服务部署策略
30｜推荐系统的后处理及日志回采
特别放送｜知识回顾（上）
特别放送｜知识回顾（中）
特别放送｜知识回顾（下）
结束语｜如何成为企业中不可或缺的推荐系统工程师？
期末测试｜来赴一场满分之约！