推薦系統從沒像現在這樣，影響著我們的生活。當你上網購物時，天貓、京東會為你推薦商品；想了解資訊，頭條、知乎會為你準備感興趣的新聞；想消遣放松，抖音、快手會為你奉上讓你欲罷不能的短視頻。

而驅動這些巨頭進行推薦服務的，都是基于深度學習的推薦模型。

2019 年阿里的千人千面系統，促成了天貓”雙 11“ 2684 億成交額。假設通過改進商品推薦功能，使平臺整體的轉化率提升 1%，就能在 2684 億成交額的基礎上，再增加 26.84 億。這就是推薦工程師的最大魅力，也是它支撐起百萬年薪的主要原因。

但在一個成熟的推薦系統上，找到提升的突破點并不容易——不能滿足于協同過濾、矩陣分解這類傳統方法，而要建立起完整的深度學習推薦系統知識體系，加深對深度學習模型的理解和大數據平臺的熟悉程度，才能實現整體效果上的優化。

上半年，因為疫情抽空看了本書叫《深度學習推薦系統》，對我啟發很大，豆瓣評分也挺高的9.3。作者是王喆，他是 Roku 資深機器學習工程師，推薦系統架構負責人，從業這些年，他一直深耕于推薦系統、計算廣告領域，經驗非常豐富。

所以，當得知他推出了專欄《深度學習推薦系統實戰》，我第一時間就訂閱了，跟著學下來，真是受益匪淺，之前嘗試過很多深度學習模型，但效果始終沒有提升。直到遇到這門課，讓我對深度學習推薦系統的認知到了一個新高度，很想把它推薦給你。

在專欄中，他講解了深度學習推薦系統的經典架構設計，帶你掌握 Embedding 技術的主要實現方法，構建完整的推薦系統評估體系路徑，并搭建出一個工業級的深度學習推薦系統。

在課程設置上，他遵循了經典推薦系統的框架，將課程分為 6 部分，通過 30+ 深度學習推薦系統問題，帶你串聯起深度學習推薦系統的知識體系，并收獲了一套他實踐過的深度學習推薦系統開源代碼，實現一個工業級的深度學習推薦系統。

可以看看專欄里的學習圖譜，方便你了解這門課的設計以及用到的技術。

基礎架構篇：從推薦系統要解決的主要問題入手，講解我們要從 0 開始實現的推薦系統， Sparrow RecSys 的主要功能和技術架構，也會用到 Spark、Flink、TensorFlow 等業界最流行的機器學習和大數據框架。

特征工程篇：討論推薦系統會用到的特征，以及主要的特征處理方式，并將其實踐在 Spark 上。此外，還有深度學習中非常流行的 Embedding、Graph Embedding 技術，并帶你實現 Sparrow Recsys 中的相似電影推薦功能。

線上服務篇：在這部分，他會帶你地搭建一個推薦服務器，包括服務器、存儲、緩存、模型服務等模塊和相關知識，涉及 Jetty Server， Spark、Redis 的使用，帶你初步掌握推薦工程師在工程領域的核心技能。

推薦模型篇：帶你學習深度學習推薦模型的原理和實現方法，包括Embedding+MLP ，Wide&Deep，PNN等深度學習模型的架構和TensorFlow實現，以及注意力機制、序列模型、增強學習等相關領域的前沿進展。

效果評估篇：學習效果評估的主要方法和指標，建立起包括線下評估、線上 AB 測試、評估反饋閉環等整套的評估體系，真正能夠用業界的方法而不是實驗室的指標來評價一個推薦系統。

前沿拓展篇：將業界巨頭們的深度學習推薦系統方案進行融匯貫通，重點講解 YouTube、阿里巴巴、微軟、Pinterest 等一線公司的深度學習應用，幫你追蹤業界發展的最新趨勢，并找到自己技術道路的方向。

具體內容可以看看目錄：

責任編輯：xj

原文標題：抖音日活用戶破 6 億，推薦系統是怎么做到的？

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。