推荐算法模型选型与调优实战
📖 30章 · 从入门到前沿
🧩 友好色系
v2.0
01
推荐系统概述
发展史
应用场景
核心指标
02
协同过滤基础
User-CF
Item-CF
相似度计算
03
矩阵分解技术
SVD
FunkSVD
BiasSVD
SVD++
04
逻辑回归与FM
LR推荐
特征交叉
FM因子分解机
05
深度学习入门
MLP
Embedding
Wide&Deep
06
序列推荐模型
GRU4Rec
SASRec
BERT4Rec
07
多任务学习
ESMM
MMOE
PLE
08
图神经网络推荐
GCN
NGCF
LightGCN
09
强化学习推荐
MDP
DQN
Policy Gradient
10
冷启动问题
用户冷启动
物品冷启动
系统冷启动
11
特征工程
数值特征
类别编码
特征交叉
12
样本与标签
正负采样
样本权重
延迟反馈
13
模型评估
离线指标
A/B测试
偏差校正
14
超参数调优
网格搜索
随机搜索
贝叶斯优化
Hyperband
15
模型压缩
知识蒸馏
模型剪枝
量化技术
16
在线学习
FTRL
在线特征更新
模型热启动
17
召回策略
多路召回
向量召回
图召回
树召回
18
排序模型
LTR
Listwise
Pointwise
19
重排序
MMR
DPP
业务规则融合
20
实时特征
Flink实时计算
特征存储
21
模型部署
TF Serving
ONNX
Triton
22
AB实验平台
分流策略
实验分层
显著性检验
23
数据管道
离线数仓
实时数仓
特征平台
24
模型监控
特征漂移
模型退化
在线监控
25
多模态推荐
文本特征
图像特征
视频特征
26
可解释推荐
内容解释
协同过滤解释
知识图谱解释
27
联邦学习推荐
横向联邦
纵向联邦
隐私保护
28
大规模推荐系统
参数服务器
分布式训练
模型分片
29
推荐系统案例
YouTube
Netflix
抖音
30
前沿趋势
大模型推荐
AIGC推荐
因果推断