De l'entrée à la maîtrise du système de recommandation, ce projet introduit de manière exhaustive les connaissances théoriques du système de recommandation de qualité industrielle (cours ouvert de Wang Shusen sur le système de recommandation - expliquant le véritable système de recommandation dans l'industrie basé sur le scénario de Xiaohongshu), comment former le modèle basé sur TensorFlow2 et comment obtenir un système de recommandation de haut niveau avec un microservice d'inférence Golang avec des performances élevées, une simultanéité élevée et une haute disponibilité. Ainsi que quelques bases de programmation Sklean et TensorFlow. Présentation complète de la théorie du système de recommandation industriel basé sur l'apprentissage profond, comment former des modèles basés sur TensorFlow2, comment implémenter la base de services d'inférence hautes performances, haute concurrence et haute disponibilité sur Golang.
Remarque : les connaissances théoriques de la première partie se trouvent dans cet entrepôt, et les codes des deuxième, troisième et quatrième parties se trouvent dans d'autres entrepôts. Cliquez sur le lien pour sauter.
Si une erreur se produit lors de l'ouverture d'un fichier Jupyter Notebook via un lien hypertexte sur le site Github, vous pouvez cliquer sur le « lien de sauvegarde » généré sur la base de https://nbviewer.org pour accéder indirectement au fichier correspondant.
Ou accédez au lien de sauvegarde hors site de l'ensemble du projet via le lien suivant. Notez que cliquer sur le fichier au format non Jupyter Notebook dans le lien de sauvegarde hors site reviendra au référentiel Github :
● Recommender_System
Cours ouvert de Wang Shusen sur le système de recommandation - explique le véritable système de recommandation dans l'industrie sur la base du scénario de Xiaohongshu, en lisant des notes.
● Liens vers le système de recommandation (Lien alternatif) ]
● Tests AB (Lien alternatif)
● Filtrage collaboratif basé sur les éléments (ItemCF) (Lien alternatif)
● Canal de rappel Swing (Lien alternatif)
● Filtrage collaboratif basé sur l'utilisateur (UserCF) (Lien alternatif)
● Traitement des fonctionnalités discrètes (Lien alternatif)
● Supplément matriciel (Lien alternatif)
● Modèle Twin Tower : modèle et formation (Lien alternatif)
● Modèle à deux tours : échantillons positifs et négatifs (Lien alternatif)
● Modèle Twin Towers : rappel et mise à jour en ligne (Lien alternatif)
● Modèle Twin-Tower + apprentissage auto-supervisé (Lien alternatif)
● Rappel Deep Retrieval (Lien alternatif)
● Autres canaux de rappel (Lien alternatif)
● Filtre d'exposition et filtre Bloom (Lien alternatif)
● Modèle de classement multi-objectifs (Lien alternatif)
● MMoE (Lien alternatif)
● Fusion des scores estimés (Lien alternatif)
● Modélisation de la lecture vidéo (Lien alternatif)
● Caractéristiques des modèles de classement (Lien alternatif)
● Modèle de présentation approximatif (Lien alternatif)
● Factoriseur FM (Lien alternatif)
● DCN réseau inter-profond (Lien alternatif)
● Structure du réseau LHUC (Lien alternatif)
● Croix bilinéaire SENet (Lien alternatif)
● Modélisation de la séquence de comportement des utilisateurs (Lien alternatif)
● Modèle DIN (mécanisme d'attention) (Lien alternatif)
● Modèle SIM (modélisation à séquence longue) (Lien alternatif)
● Mesure de la similarité des éléments et méthodes pour améliorer la diversité (Lien alternatif)
● Algorithme de diversité MMR (Lien alternatif)
● Algorithme de diversité sous contraintes de règles métiers (Lien alternatif)
● Algorithme de diversité DPP (Partie 1) (Lien alternatif)
● Algorithme de diversité DPP (Partie 2) (Lien alternatif)
● Objectifs d'optimisation et indicateurs d'évaluation (Lien alternatif)
● Canal de rappel simple (Lien alternatif)
● Rappel de cluster (Lien alternatif)
● Rappel de sosies (Lien alternatif)
● Contrôle du trafic (Lien alternatif)
● Test AB de démarrage à froid (Lien alternatif)
● Présentation (Lien alternatif)
● Rappel (Lien alternatif)
● Trier (Lien alternatif)
● Diversité (Lien alternatif)
● Groupes d'utilisateurs caractéristiques (Lien alternatif)
● Comportement interactif (suivre, transférer et commenter) (Lien alternatif)
Basé sur le modèle « DNN_for_YouTube_Recommendations » et l'ensemble de données de classification des films (ml-1m), il montre en détail comment mettre en œuvre un modèle de classement de système de recommandation basé sur TensorFlow2.
● Modèle de classement approfondi YouTube (intégration multi-valeurs, apprentissage multi-objectifs)
Basé sur les idées de Goalng, Docker et des microservices, un microservice de raisonnement de système de recommandation à haute concurrence, haute performance et haute disponibilité est implémenté, comprenant une variété de services de rappel/tri, et fournit une variété de méthodes d'accès à l'interface (REST, gRPC et Dubbo), etc., chacun peut traiter des dizaines de millions de demandes d'inférence chaque jour.
● Microservice de raisonnement du système de recommandation Golang
● Tutoriel d'introduction au Machine Learning Sklearn ● Tutoriel d'introduction au Deep Learning TensorFlow
