工业级推荐系统 思维导图
基础架构
深度学习推荐系统的经典技术架构
Netflix 的推荐系统的经典架构图
Sparrow RecSys
Sparrow Recsys的推荐系统架构
分为三个模块：数据、模型和前端。都用业界推荐系统的主流技术，数据用 Spark，Flink 进行样本和特征的处理，模型用 TensorFlow 训练深度神经网络、Wide&Deep、PNN 等模型
Sparrow Recsys中的技术点
深度学习基础
特征工程
推荐系统有哪些可供利用的特征
可被划分到“用户行为”“用户关系”“属性标签”“内容数据”“场景信息”这五个类别，而且挑选特征的方法也遵循着“保留有用信息，摒弃冗余信息”的原则
如何利用Spark解决特征处理问题
用 Embedding 方法进行相似物品推荐
Embedding 就是用一个数值向量“表示”一个对象的方法。Word2vec 是生成对“词”的向量表达的模型。在训练完成后，模型输入向量矩阵的行向量，就是我们要提取的词向量。Item2vec是 Word2vec 在任意序列数据上的推广
如何利用图结构数据生成Graph Embedding
如何使用Spark生成Item2vec和Graph Embedding
线上服务
如何在线上提供高并发的推荐服务
推荐系统技术架构图
如何用Redis解决推荐系统特征的存储问题
SparrowRecsys的存储方案
如何快速又准确地筛选掉不相关物品
召回层的功能特点和实现方法
如何在常数时间内搜索Embedding最近邻
怎样把你的离线模型部署到线上
推荐模型
最经典的推荐模型，协同过滤
深度学习推荐模型发展的整体脉络