SparrowRecsys | 如何搭建一个超有成就感的推荐系统？
转眼就开工了，7 天的假期，刷刷抖音，说走就走了。
说到抖音，就不得不提它的推荐系统，太 NB 了。刷了啥，立刻记住你的偏好，推荐相似内容，一不小心 2 小时就过去了，让人欲罢不能，要么日活 6 亿呢。
其实“推荐系统”从没像现在这样，影响着我们的生活。除了抖音、快手这类短视频，还有网购时，天猫、京东会为你推荐商品；想看看资讯，头条、知乎会为你准备感兴趣的新闻等等。
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。
想起 2019 年阿里的千人千面系统，促成了天猫“双 11” 2684 亿成交额。假设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 2684 亿成交额的基础上，再增加 26.84 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。
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。
所以春节假期除了刷抖音，我又重新看了看《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，也是咱圈里的大佬，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。
当年我看书的时候，就感觉实践太少，偏模型原理。所以在听说王喆开了个实践专栏时，第一时间就订阅了，跟着学下来，受益匪浅。让我完整地把推荐系统的原理捋了一遍。下面王喆总结的「核心知识图谱」，建议收藏。
最重要的是，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」，能让你亲手尝试，搭建一套完整的深度学习推荐系统（下面有详细介绍，贼有意思）。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。
毫不夸张的说，这个专栏让我对深度学习推荐系统的认知，提升到了一个新高度，所以很想把它推荐给你。最近这个专栏要涨价到 ￥129 了，现在到手仅 ￥69 ，一定别错过了，扫码免费试读👇
秒杀+口令「shendu666」
到手仅 ¥69 ，即将涨至 ¥129
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
是不是感觉很牛。其次，专栏本计划是 30 讲，生生写到 43 讲，补充讨论了很多热门的问题。在这里贴 15 个专栏里讨论的问题，看专栏留言区的讨论，感觉收获更大。
最后说说，他是怎样讲解这门课程的？
整体遵循了经典推荐系统的框架，分为 6 部分，学懂了，实现一个工业级的深度学习推荐系统，不成问题，简单介绍下：
基础架构篇：讲要从 0 开始实现的推荐系统， Sparrow RecSys 的主要功能和技术架构，也会用到 Spark、Flink、TensorFlow 等业界最流行的机器学习和大数据框架。
特征工程篇：讨论推荐系统会用到的特征，以及主要的特征处理方式，并将其实践在 Spark 上。此外，还有深度学习中非常流行的 Embedding、Graph Embedding 技术，并带你实现 Sparrow Recsys 中的相似电影推荐功能。
线上服务篇：带你搭建一个推荐服务器，包括服务器、存储、缓存、模型服务等模块和相关知识，涉及 Jetty Server， Spark、Redis 的使用。
推荐模型篇：深度学习推荐模型的原理和实现方法，包括 Embedding+MLP ，Wide&Deep，PNN 等深度学习模型的架构和 TensorFlow 实现，以及注意力机制、序列模型、增强学习等相关领域的前沿进展。
效果评估篇：效果评估的主要方法和指标，建立起包括线下评估、线上 AB 测试、评估反馈闭环等整套的评估体系，真正能够用业界的方法，而不是实验室的指标来评价一个推荐系统。
前沿拓展篇：讲 YouTube、阿里巴巴、微软、Pinterest 等一线公司的深度学习应用，帮你追踪业界发展的最新趋势。
可以说，王喆老师的书也好，课也好，从未叫人失望过，而且他人也特别 nice，经常在专栏下面跟读者留言互动，这种耐心和责任心，真不是一般人有的。
好了，再强调一遍
专栏原价 ￥99，秒杀 ￥79
叠加优惠口令「shendu666」
到手 ¥69，相当于半价了
马上就涨到 ¥129 啦
👆扫码免费试读
没计划的学习，都只是作秀。与其花时间找一堆资料，还不如有计划的消化一个系统的课，更值。
👇点击「阅读原文」，记得用口令「shendu666」，到手仅￥69，马上涨价到 ￥129 了。
本文分享自微信公众号 - NewBeeNLP（NewBeeNLP）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
