Vom Einstieg bis zur Beherrschung des Empfehlungssystems führt dieses Projekt umfassend in die theoretischen Kenntnisse des Empfehlungssystems in Industriequalität ein (Wang Shusens offener Kurs zum Empfehlungssystem – Erklärung des tatsächlichen Empfehlungssystems in der Branche basierend auf dem Szenario von Xiaohongshu), wie es geht Trainieren Sie das Modell basierend auf TensorFlow2 und wie Sie ein Golang-Inferenz-Mikroservice auf hoher Ebene mit hoher Leistung, hoher Parallelität und hoher Verfügbarkeit erreichen. Sowie einige Grundlagen der Sklean- und TensorFlow-Programmierung. Umfassende Einführung in die Theorie des industriellen Empfehlungssystems auf Basis von Deep Learning, wie man Modelle auf Basis von TensorFlow2 trainiert und wie man die leistungsstarken, hochparallelen und hochverfügbaren Inferenzdienste auf Basis von Golang implementiert.
Hinweis: Das theoretische Wissen des ersten Teils befindet sich in diesem Lager, und die Codes des zweiten, dritten und vierten Teils befinden sich in anderen Lagern. Klicken Sie auf den Link, um zu springen.
Wenn beim Öffnen einer Jupyter Notebook-Datei über einen Hyperlink auf der Github-Site ein Fehler auftritt, können Sie auf den auf Grundlage von https://nbviewer.org generierten „Backup-Link“ klicken, um indirekt auf die entsprechende Datei zuzugreifen.
Oder greifen Sie über den folgenden Link auf den Offsite-Backup-Link des gesamten Projekts zu. Beachten Sie, dass durch Klicken auf die Datei im Nicht-Jupyter-Notebook-Format im Offsite-Backup-Link zurück zum Github-Repository gesprungen wird:
● Recommender_System
Wang Shusens offener Kurs zum Empfehlungssystem – erklärt das tatsächliche Empfehlungssystem in der Branche basierend auf dem Szenario von Xiaohongshu und liest Notizen.
● Links zu Empfehlungssystemen (Alternativer Link) ]
● AB-Test (Alternativer Link)
● Itembasierte kollaborative Filterung (ItemCF) (Alternativer Link)
● Swing-Recall-Kanal (Alternativer Link)
● Benutzerbasierte kollaborative Filterung (UserCF) (Alternativer Link)
● Verarbeitung diskreter Merkmale (Alternativer Link)
● Matrix-Ergänzung (Alternativer Link)
● Twin Tower-Modell: Modell und Training (Alternativer Link)
● Zwei-Turm-Modell: positive und negative Proben (Alternativer Link)
● Twin Towers-Modell: Online-Rückruf und Aktualisierung (Alternativer Link)
● Twin-Tower-Modell + selbstüberwachtes Lernen (Alternativer Link)
● Deep Retrieval-Rückruf (Alternativer Link)
● Andere Rückrufkanäle (Alternativer Link)
● Belichtungsfilter und Bloom-Filter (Alternativer Link)
● Multi-Ziel-Ranking-Modell (Alternativer Link)
● MMoE (Alternativer Link)
● Geschätzte Punkteverschmelzung (Alternativer Link)
● Modellierung der Videowiedergabe (Alternativer Link)
● Eigenschaften von Ranking-Modellen (Alternativer Link)
● Grobes Layoutmodell (Alternativer Link)
● Faktorisierer FM (Alternativer Link)
● Deep Cross Network DCN (Alternativer Link)
● LHUC-Netzwerkstruktur (Alternativer Link)
● SENet Bilinear Cross (Alternativer Link)
● Modellierung der Benutzerverhaltenssequenz (Alternativer Link)
● DIN-Modell (Aufmerksamkeitsmechanismus) (Alternativer Link)
● SIM-Modell (Long Sequence Modeling) (Alternativer Link)
● Messung der Artikelähnlichkeit und Methoden zur Verbesserung der Diversität (Alternativer Link)
● MMR-Diversity-Algorithmus (Alternativer Link)
● Diversitätsalgorithmus unter den Einschränkungen von Geschäftsregeln (Alternativer Link)
● DPP-Diversity-Algorithmus (Teil 1) (Alternativer Link)
● DPP-Diversity-Algorithmus (Teil 2) (Alternativer Link)
● Optimierungsziele und Bewertungsindikatoren (Alternativer Link)
● Einfacher Rückrufkanal (Alternativer Link)
● Cluster-Rückruf (Alternativer Link)
● Look-Alike-Erinnerung (Alternativer Link)
● Verkehrskontrolle (Alternativer Link)
● Kaltstart-AB-Test (Alternativer Link)
● Übersicht (Alternativer Link)
● Rückruf (Alternativer Link)
● Sortieren (Alternativer Link)
● Vielfalt (Alternativer Link)
● Charakteristische Benutzergruppen (Alternativer Link)
● Interaktives Verhalten (Folgen, Weiterleiten und Kommentieren) (Alternativer Link)
Basierend auf dem Modell „DNN_for_YouTube_Recommendations“ und dem Filmbewertungsdatensatz (ml-1m) wird detailliert gezeigt, wie ein Empfehlungssystem-Ranking-Modell basierend auf TensorFlow2 implementiert wird.
● YouTube-Deep-Ranking-Modell (mehrwertige Einbettung, mehrzielles Lernen)
Basierend auf Goalng-, Docker- und Microservice-Ideen wird ein Empfehlungssystem-Argumentations-Microservice mit hoher Parallelität, hoher Leistung und hoher Verfügbarkeit implementiert, der eine Vielzahl von Rückruf-/Sortierdiensten umfasst und eine Vielzahl von Schnittstellenzugriffsmethoden (REST, gRPC usw.) bereitstellt Dubbo) usw. Es kann jeden Tag zig Millionen Inferenzanfragen verarbeiten.
● Empfehlungssystem-Argumentation Microservice Golang
● Einführungs-Tutorial zu Machine Learning Sklearn ● Einführungs-Tutorial zu Deep Learning TensorFlow
