用户画像与内容画像的关系
用户画像的架构
用户画像的扩展
用户画像与排序特征
用途：基于标签的用户画像
标签权重的计算方法（贝叶斯平滑、时间衰减）
基于用户画像的召回方法
Redis的搭建与使用
基于Redis的用户画像存储
Hadoop, Hive, Spark等工具使用
| Week5 传统Matching方法 MF召回法以及求解 特征值分解 传统奇异值分解之SVM FunkSVD ALS方法 SVD++ 基于物品的协同Item-CF | Week6 深度 Matching方法 理解Embedding技术 Embedding为什么有效 Embedding与稀疏ID类特征的关系 Item-CF召回与Item2Vec Airbnb序列召回与冷启动缓解思路 NCF召回以及变种 YouTube召回方法 从DSSM到双塔模型 双塔模型工业界的部署方法 多兴趣召回 MIND召回 Faiss工具介绍 KD树 ， LSH ， Simhash |
| Week7 Graph Embedding与用户行为构建图 随机游走于传统协同方法 Deepwalk Node2Vec及其同质性与结构性 LINE 随机游走的实现 Alias采样方法 Neo4j讲解 Graph Embedding的实现 Node2Vec的实现 | Week8 图推荐、图神经网络、采样与热度打压 Graph Embedding优化 EGS ， 注意力机制及其变种 Ripple网络方法 召回层采样的坑与技巧 热度抑制 EGES的实现 GCN和GAT GraphSage |
| Week9 经典Ranking模型方法 Ranking与用户画像 物品画像 LR模型 GBDT+ LR FM模型详解、业界使用方法与坑 FFM模型 AUC与GAUC 增量学习与Online Learning 从L1稀疏化、FOBOS到FTRL算法 基于FM实现Ranking精排序 | Week10 深度Ranking模型与工业采样技巧 粗排与精排及其意义 主流深度推荐模型的几种范式 特征自动组合：Deep&Cross, XDeepFM, PNN 特征重要度提取以及无用特征去噪：AFM ， DeepFFM 序列推荐模型：DIN ， DIEN ， AttRes ， Stamp 独辟蹊径之序列推荐的优化思路 深度模型工具的介绍与使用 MLSQL DeepCTR等与工业界采样方法 |
| Week11 重排序与多目标学习 多目标学习的几种范式 范式一：样本加权 范式二：多模型融合 范式三：联合训练、ESMM ， MMOE框架 ， ESM2等 ESMM的实现 |
| Week12-13 工业界新闻推荐系统中冷启动与热点文章实时召回 人群分桶 实时交互正反馈 实时召回与实时画像技术 人群投票 人群等级投票 降维分发 后验与先验的结合 引入注意力机制的优化兴趣增加和衰减 热点文章召回策略 本地文章召回策略 算法策略与运营配合协作 推荐阅读
|
