推荐系统：协同过滤/深度学习模型实战培训课程-曙海培训中心

推荐系统：协同过滤/深度学习模型实战培训课程

•  

• 培训对象： 推荐算法工程师、电商/内容平台开发者、用户增长工程师、个性化系统设计人员。

•  

• 培训目标：

  • 理解推荐系统的经典架构和算法演进。

  • 掌握协同过滤（User-based、Item-based、Matrix Factorization）实现。

  • 能够构建深度学习推荐模型（Wide&Deep、DeepFM、DIN）。

  • 具备推荐系统评估和AB测试能力。

•  

• 培训内容介绍：

•  

  一、 推荐系统架构与流程： 了解推荐系统的召回-排序-重排三段式架构，理解离线计算与在线服务的配合。

  二、 协同过滤基础： 实现基于用户的协同过滤和基于物品的协同过滤，计算相似度矩阵（余弦相似度、皮尔逊相关系数）。

  三、 矩阵分解（MF）原理： 理解矩阵分解将用户-物品矩阵分解为隐因子向量，使用SVD或ALS进行分解。

  四、 矩阵分解实战（Surprise库）： 使用Surprise库实现SVD、SVD++，调整隐因子数量和正则化参数。

  五、 逻辑回归在推荐中的应用： 使用LR融合多路召回结果，理解特征交叉和人工特征组合的重要性。

  六、 POLY2与FM因子分解机： 理解FM自动学习特征交叉的能力，对比FM与POLY2的差异。

  七、 Wide & Deep模型： 实现Google的Wide&Deep架构，结合记忆能力和泛化能力提升推荐效果。

  八、 DeepFM模型实战： 构建DeepFM模型，同时学习低阶和高阶特征交叉，使用TensorFlow实现。

  九、 DIN深度兴趣网络： 理解阿里DIN如何通过注意力机制捕捉用户兴趣多样性，处理用户行为序列。

  十、 多目标优化（MMoE）： 使用MMoE架构同时优化多个目标（点击率、转化率、停留时长）。

  十一、 推荐系统评估指标： 理解离线指标（精确率、召回率、NDCG）和在线指标（CTR、CVR）的意义和计算。

  十二、 实战项目：电商推荐系统开发： 从数据处理开始，构建召回-排序完整流程，部署推荐服务并设计AB测试方案。