推荐系统简介
协同过滤核心思想
基于用户与基于物品对比
冷启动问题初探
用户行为数据采集数据清洗与预处理
隐式反馈与显式反馈数据探索性分析(EDA)
余弦相似度皮尔逊相关系数
Jaccard相似度修正余弦相似度
相似度计算实战
算法原理用户-物品矩阵构建
寻找最近邻用户预测评分与推荐
UserCF优缺点分析
算法原理物品相似度计算
用户对物品的偏好预测ItemCF优缺点分析
UserCF与ItemCF对比
SVD分解原理SVD在推荐中的应用
FunkSVD（隐语义模型）梯度下降优化
ALS算法原理显式反馈ALS
隐式反馈ALSSpark ALS实战
BPR模型原理BPR损失函数
BPR优化与实现BPR在推荐中的应用
数据集划分（留出法、交叉验证）准确率与召回率
覆盖率与多样性AUC与NDCG
A/B测试原理实验设计要点
指标选取在线评估平台搭建
神经协同过滤(NCF)原理双塔模型
Graph Neural Network在推荐中的应用
CTR预估模型特征工程在排序中的应用
模型融合与集成
MMR算法DPP算法
业务规则干预多样性-相关性平衡
实时特征计算增量更新模型
流式计算框架（Flink）实时推荐架构
近似最近邻搜索(ANN)HNSW算法
Faiss库实战向量检索性能优化
模型导出与序列化ONNX格式
TensorFlow ServingDocker容器化部署
模型效果监控数据漂移检测
A/B测试自动化告警与回滚机制
用户冷启动物品冷启动
系统冷启动基于内容的冷启动策略
探索与利用
多任务学习(MMOE)Pareto最优
业务指标平衡实践案例
Bandit算法DQN推荐
强化学习与协同过滤结合
GraphSAGEPinSage
LightGCN图神经网络在推荐中的实践
GRU4RecSASRec
Bert4Rec用户行为序列建模
跨域迁移学习共享特征空间
跨域协同过滤实际应用场景
大模型在推荐中的应用生成式推荐
可解释推荐隐私保护推荐