推荐系统

本项目从入门到精通全面介绍了工业级推荐系统的理论知识（基于王树森推荐系统公开课，以小红书为例讲解工业界真实的推荐系统），如何基于TensorFlow2训练模型，如何实现高性能、高并发、高可用的Golang推理微服务。同时还包括一些Scikit-learn和TensorFlow的编程基础知识。全面介绍了基于深度学习的工业推荐系统理论，如何使用TensorFlow2训练模型，以及如何基于Golang实现高性能、高并发和高可用的推理服务。

注意：第一部分的理论知识在本仓库，第二、三、四部分的代码在其他仓库，点击链接即可跳转。

注意

如果通过Github站内超链接打开Jupyter Notebook文件发生错误，可以点击根据 https://nbviewer.org 生成的"备用链接"间接访问对应文件。 或者通过以下链接访问整个项目的站外备用链接，注意点击站外备用链接里的非Jupyter Notebook格式文件会跳转回到Github仓库内： ● 推荐系统

一、推荐系统理论

王树森推荐系统公开课 - 基于小红书的场景讲解工业界真实的推荐系统，读书笔记。

01 概要

● 推荐系统的链路 (备用链接) ● AB测试 (备用链接)

02 召回

● 基于物品的协同过滤（ItemCF） (备用链接) ● Swing召回通道 (备用链接) ● 基于用户的协同过滤（UserCF） (备用链接) ● 离散特征处理 (备用链接) ● 矩阵补充 (备用链接) ● 双塔模型：模型和训练 (备用链接) ● 双塔模型：正负样本 (备用链接) ● 双塔模型：线上召回和更新 (备用链接) ● 双塔模型+自监督学习 (备用链接) ● Deep Retrieval召回 (备用链接) ● 其他召回通道 (备用链接) ● 曝光过滤和Bloom Filter (备用链接)

03 排序 (Ranking)

● 多目标排序模型 (备用链接)
● MMoE (备用链接)
● 预估分数融合 (备用链接)
● 视频播放建模 (备用链接)
● 排序模型的特征 (备用链接)
● 粗排模型 (备用链接)

04 特征交叉 (Feature Cross)

● 因子分解机FM (备用链接)
● 深度交叉网络DCN (备用链接)
● LHUC网络结构 (备用链接)
● SENet Bilinear Cross (备用链接)

05 用户行为序列 (User Behavior Sequence)

● 用户行为序列建模 (备用链接)
● DIN模型（注意力机制） (备用链接)
● SIM模型（长序列建模） (备用链接)

06 重排 (Re-rank)

● 物品相似性的度量、提升多样性的方法 (备用链接)
● MMR多样性算法 (备用链接)
● 业务规则约束下的多样性算法 (备用链接)
● DPP多样性算法（上） (备用链接)
● DPP多样性算法（下） (备用链接)

07 物品冷启动

● 优化目标与评价指标 (备用链接)
● 简单召回通道 (备用链接)
● 聚类召回 (备用链接)
● 相似用户召回 (备用链接)
● 流量控制 (备用链接)
● 冷启动的A/B测试 (备用链接)

08 推荐系统指标提升方法

● 概述 (备用链接)
● 召回 (备用链接)
● 排序 (备用链接)
● 多样性 (备用链接)
● 特殊用户群体 (备用链接)
● 交互行为（关注、转发和评论） (备用链接)

二、TensorFlow2模型训练

以"DNN_for_YouTube_Recommendations"模型和电影评分数据集（ml-1m）为基础，详细展示了如何基于TensorFlow2实现推荐系统排序模型。
● YouTube深度排序模型（多值嵌入、多目标学习）

三、模型推理服务Golang

基于Golang、Docker和微服务思想实现了高并发、高性能和高可用的推荐系统推理微服务，包括多种召回/排序服务，并提供多种接口访问方式（REST、gRPC和Dubbo）等，每日可处理上千万次推理请求。
● 推荐系统推理微服务Golang

四、编程基础

● 机器学习Sklearn入门教程
● 深度学习TensorFlow入门教程