课程简介
随着互联网上的数据越来越多，各大应用及平台坐拥海量信息，但用户却难以找到真正对自己有用的信息，面对庞大的数据往往变得毫无头绪，在某些方面搜索引擎有着不可替代的优势。推荐系统作为信息过滤系统的一个子类，可以根据用户的偏好和行为，来向用户呈现他(或她)可能感兴趣的物品。推荐系统通过分析用户的历史行为，对用户的兴趣进行建模，使用收集的交互数据了解用户和产品偏好、之前的决策和特征去预测用户对一个物品的喜好，以此分析数据来帮助预测、缩小范围，并找到用户在呈指数级增长的选项中寻找的内容，从而主动给用户推荐可能满足他们需求的信息，能够很好的发掘长尾信息。
本节课程为跟进业界在推荐系统领域的先进技术，借鉴互联网和金融行业的相关实践经
验，提升在个性化推荐系统建设方面的技术能力，通过培训，帮助员工掌握以下知识：
1. 核心推荐算法原理 ；
2. 业界主流推荐系统架构与设计；
3. 推荐系统工程实践经验 ；
4. 推荐系统 AB 测试方案设计；
5. 推荐系统特征工程 ；
6. 推荐系统效果评估与商业价值；
7. 推荐系统常见问题及难点分析 ；
8. 推荐系统与产品设计&运营经验 ；
9. 结合银联实际应用场景的系统方案分析。
课程收益
1、 了解推荐系统的基础知识
2、 掌握经典及最新的推荐系统算法原理
3、 提高技术人员对业界主流推荐系统架构的理解
4、 掌握推荐系统相关工程实践经验
5、 掌握推荐系统产品设计与运营相关经验
6、 掌握推荐系统常见问题及难点的处理思路和方法
7、 分享推荐系统在相关行业的实践案例与经验
受众人群
适用于了解大数据、python、机器学习、人工智能领域的开发人员，从事推荐系统工作的相关技术人员。
课程周期
2天（12H）
课程大纲
课程主题 | 主题介绍 | 课程内容 |
第一天 | ||
一、知识背景 | 推荐系统基础知识介绍（0.5H） | 1.1 推荐系统基本概念； 1.2 推荐系统的价值； 1.3 推荐系统应用场景； 1.4 困难与挑战； |
二、推荐算法
| 经典与主流推荐算法原理介绍（2.5H） | 2.1 基于内容的推荐算法； 2.2 经典协同过滤推荐算法； 2.3 基于关联规则、bayes、聚类的推荐算法； 2.4 矩阵分解与 FM； 2.5 embedding 方法； 2.6 深度学习推荐算法（wide &deep、DeepFM、MMOE 等）； 2.7 混合推荐算法； |
三、推荐系统架构 | 讲解推荐系统范式、架构及 web 服务、实时推荐系统相关知识讲解（2H） | 3.1 推荐系统 5 种范式； 3.2 推荐系统 3 阶段 pipeline 架构； 3.3 推荐系统架构设计原则； 3.4 推荐系统 web 服务架构设计； 3.5 模型的训练与服务部署架构； 3.6 实时推荐系统架构设计； 3.7 推荐系统微服务架构实践； |
四、银联推荐系统问题与解答 | 针对银联自身的推荐场景，进行探讨，提供优化思路和建议（1H） | 4.1 交流银联推荐情况及目前的问题与挑战; 4.2 给出产品、算法、工程、策略、运营等方向的建议; |
第二天 | ||
五、推荐系统评估与商业价值 | 推荐系统效果评估与商业价值介绍（0.5H） | 5.1 推荐系统评估的方法； 5.2 离线评估与在线评估； 5.3 常用评估指标； 5.4 推荐系统商业价值评估； |
六、推荐系统工程 | 讲解数据处理、特征工程、AB 测试、推荐服务安全性与稳定性、问题与难点等方面的知识（2H） | 6.1 推荐系统模块设计； 6.2 推荐系统模块的技术选型； 6.3 推荐系统数据处理； 6.4 推荐系统特征工程、特征存储与使用； 6.5 推荐系统 AB 测试及实现； 6.6 推荐系统服务安全性与稳定性； 6.7 推荐系统常见问题及难点：探索&利用、新颖性、冷启动、Java 与 Python 交互等； |
七、推荐系统产品与运营 | 推荐系统产品、运营、策略、用户画像与精细化运营介绍（1.5H） | 7.1 推荐系统产品形态及业务场景介绍; 7.2 推荐系统的 UI 交互与视觉展示; 7.3 用户画像介绍； 7.4 推荐系统与精细化运营; 7.5 推荐系统的人工调控； |
八、真实案例与经验分享 | 分享推荐系统案例和经验（2H） | 8.1 视频推荐系统案例介绍; 8.2 音乐推荐系统案例介绍; 8.3 其他大厂推荐系统案例介绍； 8.4 十年推荐系统经验总结与分享。 |
京ICP备2022035414号-1
