我跟几位BATJ在职算法老哥聊了下推荐算法工程师技能学习路径的事:
学习推荐算法需要具备哪些基础?
学习推荐算法要做哪些项目?
01 了解推荐系统
推荐系统应用概述、逻辑概述、技术架构。
02 推荐系统经典算法
倒排索引与TF-IDF、基于用户/物品的协同过滤算法、基于隐语义/矩阵分解的推荐算法、基于图模型的推荐算法、基于逻辑斯特回归的推荐算法、poly2特征交叉推荐算法、GBDT/GBDT+LR推荐算法、FM推荐算法、FFM推荐算法、MLR(LS-PLM)推荐算法等。
03 深度学习推荐算法
AutoRec推荐算法、NeuralCF推荐算法、Wide&Deep推荐算法、DeepFM推荐算法、Deep&Cross推荐算法、DeepCrossing推荐算法、FNN推荐算法、PNN推荐算法、NFM推荐算法等。
了解掌握上述算法(主要是通过阅读论文)后,可以开始上手实操项目。
01 推荐系统的整体架构
推荐系统的整体架构对算法工作人员而言能够是必备知识,作为推荐算法工程师,不仅需要了解算法,而且需要了解工程架构,只有这样才能更加深入推荐系统业务。
推荐项目:推荐系统整体架构+召回+排序
通过对推荐系统的整体架构的学习,建立对推荐系统及其各个模块的整体了解——
1.知道整体推荐系统中哪些模块与算法有关
2.未来可能会从事哪个方向的工作
02 MatrixCF在资讯推荐场景中召回和排序的应用
1.项目介绍
1)业务介绍:基于资讯或者电商业务系统数据,搭建一套简单的资讯推荐或者电商推荐系统,为系统增加个性化模块,提升用户的体验及用户停留时长,点击率及转化率。
2)落地场景:信息流推荐、热门流推荐、详情页推荐、点后推推荐
3)业务需求:为用户提供个性化模块,提高用户的内容消费及点击率、停留时长
2.项目学习目标
掌握资讯场景中召回&排序算法如何进行开发,训练,部署;深入推荐的几个主要的层次,召回、排序,学会从每一个层级入手对推荐进行优化
3.项目涉及知识点
机器学习相关:协同过滤,矩阵分解
4.项目重难点
特征工程;召回;排序
5.项目可迁移性
推荐领域比较通用
03 FM在电商场景中的召回和排序应用
只用到用户id和物品id作为特征进行训练,显然缺失大量的特征信息,对最终的效果有着很大的影响,想要进一步进行优化,我们就需要利用上更多的特征信息,因此从特征层面进行业务优化,从而提升在电商场景中召回和排序的效果。
项目学习目标
熟悉推荐优化流程
掌握算法迭代过程
能够进行召回,排序的应用
项目涉及知识点
开发工具:Python、Redis
算法:FM
项目重难点
召回,排序,特征
项目可迁移性
推荐领域比较通用
04 深度学习模型在召回和排序中的应用
上个项目中已经从特征层面进行了优化模型本身的限制导致基于这些特征信息却无法很好的利用上,因此我们需要考虑优化模型,从模型层面进行进一步对召回和排序进行优化提升业务指标。
项目学习目标
掌握常用深度学习方法在召回的应用
掌握常用深度学习方法在排序的应用
项目涉及知识点
算法:deepFM, DIN,FIBINET
项目重难点
召回,排序,特征
项目可迁移性
推荐领域比较通用
05 基于Deep&cross Network的广告场景排序应用
主要在于锻炼对算法模型如何运用于实际的广告场景中,提升算法和工程能力
·DCN模型的熟悉
·认识数据并处理成模型所需的数据格式
·DCN模型的开发
·DCN模型运用于排序
06 基于多目标模型mmoe的电商场景排序应用
主要是通过多目标模型的学习了解算法模型在具体的应用场景中有着不一样的表示方式,能够灵活地运用算法模型
·多目标模型的认识
·认识数据并处理成模型所需的数据格式
·多目标模型MMOE的开发
·多目标模型如何运用于排序
07 推荐系统论文
CAN
MIND
PLE
DAT
FIBINET
在职推荐算法工程师Merlin老师主讲的《推荐系统算法工程师3天学习营》将在6月17日开营——
6月17日:推荐系统概要
01 推荐系统是什么
02 推荐系统常见的行业应用
03 推荐系统学习路径
04 推荐系统相关技术简介
05 推荐系统面试技巧
6月18日:工业推荐架构&原始数据预处理
01 工业推荐架构
02 原始数据预处理
6月19日:工业推荐架构&原始数据预处理
01 数据格式转换与模型开发
02 MatrixCF运用于召回-电影场景
0.1元 领取!