深度学习推荐系统入门教程（附开源项目）

2022 年 10 月 18 日 机器学习与推荐算法

嘿，记得给“机器学习与推荐算法”添加星标

在现代社会，网购等在线消费已经成为了日常生活的重要组成部分。在享受便利生活的同时，人们有时不得不受困于浩瀚复杂的信息和数据。这时，对个性化和智能化推荐系统的需求变得日益强烈。

“推荐系统”从没像现在这样，影响着我们的生活。

假设，天猫通过改进商品推荐功能，使平台整体的转化率提升 1%，就能在 4000 多亿成交额的基础上，再增加 40 多亿。这就是推荐工程师的最牛的地方，也是为啥人能拿百万年薪的原因。

而驱动这些巨头进行推荐服务的，都是基于深度学习的推荐模型。但在一个成熟的推荐系统上，找到提升的突破点并不容易--不能满足于协同过滤、矩阵分解这类传统方法，而要建立起完整的“深度学习推荐系统”知识体系，加深对深度学习模型的理解，以及大数据平台的熟悉程度，才能实现整体效果上的优化。

所以，想学习推荐系统，关键在于「体系化 + 实操」。最近，我又重温了《深度学习推荐系统》这个专栏，2 刷有不少新的启发。作者王喆，Roku 推荐系统架构负责人，也是圈里的大佬，一直深耕在推荐系统、计算广告领域，经验非常丰富。他之前出过同名的书，豆瓣评分 9.3，相当高。他还是知乎 10W+ 粉丝的大咖，分享的很多知识和观点，影响了不少人。

早年我看他的书时，感觉更偏模型原理。后来听说他开了个实践专栏，第一时间就订阅了，果然惊喜，先分享一个王喆专栏里总结的「推荐系统核心知识图谱」，建议收藏。

除了让我完整地把推荐系统的原理捋了一遍，更重要的是，实操性特别强。王喆特地为了这个专栏，开发了一个开源项目「 SparrowRecsys」，带你亲手尝试，从 0 到 1，搭建一套完整的深度学习推荐系统（下面有详细介绍，很有意思）。可以说是书的实践版本，里面加入了更多技术细节的实现和讨论。

此外，还讲解了深度学习推荐系统的经典技术架构，以及 Spark、TensorFlow、Flink 等主流工具的实践经验，毫不夸张地说，想学深度学习推荐系统，看这个专栏就够了。这个专栏刚刚破万订阅，推荐给你，扫码免费试读👇

周年庆六折到手仅 ¥119

新用户到手仅 ¥68

王喆这课，为啥值得买？

先来说说这个 SparrowRecsys 推荐系统。王喆把它叫做“麻雀推荐系统”，取“麻雀虽小、五脏俱全”之意，它利用了开源的 movielens 数据集，搭建起了包括：

Spark、Flink 特征工程

TensorFlow 深度学习模型训练

TensorFlow Serving 模型服务

Redis 在线特征数据库

Jetty Server 推荐服务器

JS 前端实现

以上这些在内的，一整套深度学习推荐系统。不说它能支撑起一个中大型公司的推荐系统，但是毫无疑问，它可以成为一个工业级推荐系统的种子项目。而这一切，都能在课程里，一步步尝试搭建起来。

最后你实现的推荐系统会是这个样子👇

SparrowRecSys的首页

SparrowRecSys的相似电影推荐页

在这些前端页面的背后，是你能实现的一个又一个深度学习模型：

对于电影的相似推荐功能，王喆会使用各种 Embedding based 的方法，比如 item2vec，graph embedding 等等。
对于推荐功能，会基于 TensorFlow 实现Embedding MLP，Wide&Deep，NerualCF，Two Towers，DeepFM，DIN 等等深度学习模型，然后使用 TensorFlow serving 去进行模型服务。
对于召回层、排序层这些推荐逻辑，也会全盘在基于 Jetty 的推荐服务器中实现。

整个项目整体的技术架构是下面这个样子的：

SparrowRecSys的技术架构