推荐系统三十六式

PC 时代是搜索的天下，而移动时代则是推荐的主场。

最近十年尤其最近五年，借助推荐系统的技术和名头，异军突起的互联网产品越来越多，推荐系统成了互联网产品的标配。甚至有人说在未来，推荐系统会成为所有数据型产品的标配。

而推荐系统前方的技术蓬勃发展，后方却落地困难。审视推荐系统的技术应用现状，大厂们一骑绝尘，太多中小厂的工程师们还不知道一个推荐系统如何从 0 到 1 诞生，需要去了解哪些知识。

本专栏为推荐系统学习者架构起整体的知识脉络，并在此基础上补充实践案例与经验，力图解决你系统起步阶段 80% 的问题。

概念篇：推荐系统有关的理念、思考，形而上的内容，虽然务虚但是必要。

原理篇：推荐算法的原理介绍与干货。了解推荐系统背后技术的基本原理后，你可以更快地开发和优化自己的系统，并且更容易去学习专栏中未涉及的内容。

工程篇：推荐算法的实践内容。介绍推荐算法落地时需要一些纯工程上的大小事情，架构、选型、案例等，为你的实践之路推波助澜。

产品篇：推荐系统要成功，还要考虑产品理念及其商业价值，此处介绍一些产品知识和一点浅显的商业思考。

团队篇：个人该如何学习和成长，团队该招多少人又该有哪些人，以及产品经理和工程师该如何合作等问题。

开篇词 | 用知识去对抗技术不平等
01 | 你真的需要个性化推荐系统吗?
02 | 个性化推荐系统有哪些绕不开的经典问题？
03 | 这些你必须应该具备的思维模式
04 | 画鬼容易画人难：用户画像的“能”和“不能”
05 | 从文本到用户画像有多远
06 | 超越标签的内容推荐系统
07 | 人以群分，你是什么人就看到什么世界
08 | 解密“看了又看”和“买了又买”
09 | 协同过滤中的相似度计算方法有哪些
10 | 那些在Netflix Prize中大放异彩的推荐算法
11 | Facebook是怎么为十亿人互相推荐好友的
12 | 如果关注排序效果，那么这个模型可以帮到你
13 | 经典模型融合办法：线性模型和树模型的组合拳
14 | 一网打尽协同过滤、矩阵分解和线性模型
15 | 深度和宽度兼具的融合模型 Wide and Deep
16 | 简单却有效的Bandit算法
17 | 结合上下文信息的Bandit算法
18 | 如何将Bandit算法与协同过滤结合使用
19 | 深度学习在推荐系统中的应用有哪些?
20 | 用RNN构建个性化音乐播单
21 | 构建一个科学的排行榜体系
22 | 实用的加权采样算法
23 | 推荐候选池的去重策略
24 | 典型的信息流架构是什么样的
25 | Netflix个性化推荐架构
26 | 总览推荐架构和搜索、广告的关系
27 | 巧妇难为无米之炊：数据采集关键要素
28 | 让你的推荐系统反应更快：实时推荐
29 | 让数据驱动落地，你需要一个实验平台
30 | 推荐系统服务化、存储选型及API设计
31 | 推荐系统的测试方法及常用指标介绍
32 | 道高一尺魔高一丈：推荐系统的攻防
33 | 和推荐系统有关的开源工具及框架介绍
34 | 推荐系统在互联网产品商业链条中的地位
35 | 说说信息流的前世今生
36 | 组建推荐团队及工程师的学习路径
加餐 | 推荐系统的参考阅读
结束语 | 遇“荐”之后，江湖再见
结课测试 | 推荐系统的这些知识，你都掌握了吗？