من الدخول إلى إتقان نظام التوصية، يقدم هذا المشروع بشكل شامل المعرفة النظرية لنظام التوصية من الدرجة الصناعية (دورة Wang Shusen المفتوحة حول نظام التوصية - شرح نظام التوصية الحقيقي في الصناعة بناءً على سيناريو Xiaohongshu)، وكيفية تدريب النموذج على أساس TensorFlow2، وكيفية تحقيق نظام توصية عالي المستوى لاستدلال خدمة Golang الصغيرة ذات الأداء العالي والتزامن العالي والتوافر العالي. بالإضافة إلى بعض أساسيات البرمجة Sklean وTensorFlow. تم تقديم نظرية شاملة لنظام التوصية الصناعي القائم على التعلم العميق، وكيفية تدريب النماذج بناءً على TensorFlow2، وكيفية تنفيذ قاعدة خدمات الاستدلال عالية الأداء والتزامن العالي والمتوفرة على Golang.
ملحوظة: المعرفة النظرية للجزء الأول موجودة في هذا المستودع، وأكواد الجزء الثاني والثالث والرابع موجودة في مستودعات أخرى انقر فوق الرابط للقفز.
إذا حدث خطأ عند فتح ملف Jupyter Notebook من خلال رابط تشعبي على موقع Github، فيمكنك النقر على "رابط النسخ الاحتياطي" الذي تم إنشاؤه استنادًا إلى https://nbviewer.org للوصول إلى الملف المقابل بشكل غير مباشر.
أو قم بالوصول إلى رابط النسخ الاحتياطي خارج الموقع للمشروع بأكمله من خلال الرابط التالي. لاحظ أن النقر على ملف بتنسيق غير Jupyter Notebook في رابط النسخ الاحتياطي خارج الموقع سيعود مرة أخرى إلى مستودع Github:
● Recommender_System
دورة Wang Shusen المفتوحة حول نظام التوصية - تشرح نظام التوصية الحقيقي في الصناعة بناءً على سيناريو Xiaohongshu، وقراءة الملاحظات.
● روابط النظام الموصى بها (رابط بديل) ]
● اختبار AB (رابط بديل)
● التصفية التعاونية القائمة على العناصر (ItemCF) (رابط بديل)
● قناة استدعاء سوينغ (رابط بديل)
● التصفية التعاونية القائمة على المستخدم (UserCF) (رابط بديل)
● معالجة الميزات المنفصلة (رابط بديل)
● ملحق المصفوفة (رابط بديل)
● نموذج البرجين التوأمين: النموذج والتدريب (رابط بديل)
● نموذج البرجين: العينات الإيجابية والسلبية (رابط بديل)
● نموذج البرجين التوأمين: الاستدعاء والتحديث عبر الإنترنت (رابط بديل)
● نموذج البرج المزدوج + التعلم ذاتي الإشراف (رابط بديل)
● استدعاء الاسترجاع العميق (رابط بديل)
● قنوات الاستدعاء الأخرى (رابط بديل)
● مرشح التعرض ومرشح بلوم (رابط بديل)
● نموذج التصنيف متعدد الأهداف (رابط بديل)
● MMoE (رابط بديل)
● الانصهار النتيجة المقدرة (رابط بديل)
● نمذجة تشغيل الفيديو (رابط بديل)
● خصائص نماذج التصنيف (رابط بديل)
● نموذج تخطيط تقريبي (رابط بديل)
● عامل FM (رابط بديل)
● شبكة DCN العميقة (رابط بديل)
● هيكل شبكة LHUC (رابط بديل)
● SENet خطين متقاطعين (رابط بديل)
● نمذجة تسلسل سلوك المستخدم (رابط بديل)
● نموذج DIN (آلية الانتباه) (رابط بديل)
● طراز SIM (نمذجة التسلسل الطويل) (رابط بديل)
● قياس تشابه العناصر وطرق تحسين التنوع (رابط بديل)
● خوارزمية التنوع MMR (رابط بديل)
● خوارزمية التنوع في ظل قيود قواعد العمل (رابط بديل)
● خوارزمية التنوع DPP (الجزء الأول) (رابط بديل)
● خوارزمية التنوع DPP (الجزء 2) (رابط بديل)
● أهداف التحسين ومؤشرات التقييم (رابط بديل)
● قناة استدعاء بسيطة (رابط بديل)
● استدعاء الكتلة (رابط بديل)
● استدعاء الشكل المشابه (رابط بديل)
● التحكم في حركة المرور (رابط بديل)
● اختبار AB للبداية الباردة (رابط بديل)
● نظرة عامة (رابط بديل)
● أذكر (رابط بديل)
● فرز (رابط بديل)
● التنوع (رابط بديل)
● مجموعات المستخدمين المميزة (رابط بديل)
● السلوك التفاعلي (متابعة، إعادة توجيه، تعليق) (رابط بديل)
استنادًا إلى نموذج "DNN_for_YouTube_Recommendations" ومجموعة بيانات تصنيف الأفلام (ml-1m)، يوضح بالتفصيل كيفية تنفيذ نموذج تصنيف نظام التوصيات استنادًا إلى TensorFlow2.
● نموذج التصنيف العميق على YouTube (التضمين متعدد القيم، والتعلم متعدد الأهداف)
استنادًا إلى أفكار Goalng وDocker والخدمات الصغيرة، يتم تنفيذ خدمة صغيرة منطقية لنظام التوصية عالية التزامن والأداء والتوافر، بما في ذلك مجموعة متنوعة من خدمات الاستدعاء/الفرز، وتوفر مجموعة متنوعة من طرق الوصول إلى الواجهة (REST وgRPC و Dubbo)، وما إلى ذلك، يمكن لكل منها التعامل مع عشرات الملايين من طلبات الاستدلال يوميًا.
● نظام التوصية المنطق microservice Golang
● البرنامج التعليمي التمهيدي للتعلم الآلي Sklearn ● البرنامج التعليمي التمهيدي للتعلم العميق TensorFlow
