推荐系统三十六式

• 01.开篇词
  • 开篇词 | 用知识去对抗技术不平等
• 02.概念篇
  • 01 | 你真的需要个性化推荐系统吗?
  • 02 | 个性化推荐系统有哪些绕不开的经典问题？
  • 03 | 这些你必须应该具备的思维模式
• 03.原理篇·内容推荐
  • 04 | 画鬼容易画人难：用户画像的“能”和“不能”
  • 05 | 从文本到用户画像有多远
  • 06 | 超越标签的内容推荐系统
• 04.原理篇·近邻推荐
  • 07 | 人以群分，你是什么人就看到什么世界
  • 08 | 解密“看了又看”和“买了又买”
  • 09 | 协同过滤中的相似度计算方法有哪些
• 05.原理篇·矩阵分解
  • 10 | 那些在Netflix Prize中大放异彩的推荐算法
  • 11 | Facebook是怎么为十亿人互相推荐好友的
  • 12 | 如果关注排序效果，那么这个模型可以帮到你
• 06.原理篇·模型融合
  • 13 | 经典模型融合办法：线性模型和树模型的组合拳
  • 14 | 一网打尽协同过滤、矩阵分解和线性模型
  • 15 | 深度和宽度兼具的融合模型 Wide and Deep
• 07.原理篇·mab问题
  • 16 | 简单却有效的Bandit算法
  • 17 | 结合上下文信息的Bandit算法
  • 18 | 如何将Bandit算法与协同过滤结合使用
• 08.原理篇·深度学习
  • 19 | 深度学习在推荐系统中的应用有哪些?
  • 20 | 用RNN构建个性化音乐播单
• 09.原理篇·其他应用算法
  • 21 | 构建一个科学的排行榜体系
  • 22 | 实用的加权采样算法
  • 23 | 推荐候选池的去重策略
• 10.工程篇·常见架构
  • 24 | 典型的信息流架构是什么样的
  • 25 | Netflix个性化推荐架构
  • 26 | 总览推荐架构和搜索、广告的关系
• 11.工程篇·常见模块
  • 27 | 巧妇难为无米之炊：数据采集关键要素
  • 28 | 让你的推荐系统反应更快：实时推荐
  • 29 | 让数据驱动落地，你需要一个实验平台
  • 30 | 推荐系统服务化、存储选型及API设计
• 12.工程篇·效果保证
  • 31 | 推荐系统的测试方法及常用指标介绍
  • 32 | 道高一尺魔高一丈：推荐系统的攻防
  • 33 | 和推荐系统有关的开源工具及框架介绍
• 13.产品篇
  • 34 | 推荐系统在互联网产品商业链条中的地位
  • 35 | 说说信息流的前世今生
  • 36 | 组建推荐团队及工程师的学习路径
• 14.结束语与参考阅读
  • 加餐 | 推荐系统的参考阅读
  • 结束语 | 遇“荐”之后，江湖再见
  • 结课测试 | 推荐系统的这些知识，你都掌握了吗？