Dari awal hingga mahir dalam sistem rekomendasi, proyek ini secara komprehensif memperkenalkan pengetahuan teoritis tentang sistem rekomendasi tingkat industri (kursus terbuka Wang Shusen tentang sistem rekomendasi - menjelaskan sistem rekomendasi nyata di industri berdasarkan skenario Xiaohongshu), bagaimana caranya melatih model berdasarkan TensorFlow2, dan cara mencapai sistem rekomendasi tingkat tinggi. Layanan mikro inferensi Golang dengan performa tinggi, konkurensi tinggi, dan ketersediaan tinggi. Serta beberapa dasar pemrograman Sklean dan TensorFlow. Memperkenalkan secara komprehensif teori sistem rekomendasi industri berdasarkan pembelajaran mendalam, cara melatih model berdasarkan TensorFlow2, cara mengimplementasikan layanan inferensi berkinerja tinggi, konkurensi tinggi, dan ketersediaan tinggi berdasarkan Golang.
Catatan: Pengetahuan teoritis bagian pertama ada di gudang ini, dan kode bagian kedua, ketiga dan keempat ada di gudang lain.
Jika terjadi kesalahan saat membuka file Jupyter Notebook melalui hyperlink di situs Github, Anda dapat mengklik "link cadangan" yang dibuat berdasarkan https://nbviewer.org untuk mengakses file terkait secara tidak langsung.
Atau akses tautan pencadangan luar situs dari keseluruhan proyek melalui tautan berikut. Perhatikan bahwa mengeklik file berformat Notebook non-Jupyter di tautan pencadangan luar situs akan melompat kembali ke repositori Github:
● Rekomendasi_Sistem
Kursus terbuka Wang Shusen tentang sistem rekomendasi - menjelaskan sistem rekomendasi nyata di industri berdasarkan skenario Xiaohongshu, membaca catatan.
● Tautan sistem rekomendasi (Tautan alternatif) ]
● pengujian AB (Tautan alternatif)
● Pemfilteran kolaboratif berbasis item (ItemCF) (Tautan alternatif)
● Saluran penarikan ayun (Tautan alternatif)
● Pemfilteran kolaboratif berbasis pengguna (UserCF) (Tautan alternatif)
● Pemrosesan fitur terpisah (Tautan alternatif)
● Suplemen matriks (Tautan alternatif)
● Model Menara Kembar: Model dan Pelatihan (Tautan alternatif)
● Model dua menara: sampel positif dan negatif (Tautan alternatif)
● Model Menara Kembar: Penarikan kembali dan pembaruan online (Tautan alternatif)
● Model menara kembar + pembelajaran mandiri (Tautan alternatif)
● Penarikan kembali secara mendalam (Tautan alternatif)
● Saluran penarikan lainnya (Tautan alternatif)
● Filter eksposur dan Filter Bloom (Tautan alternatif)
● Model pemeringkatan multi-tujuan (Tautan alternatif)
● MMoE (Tautan alternatif)
● Perkiraan fusi skor (Tautan alternatif)
● Pemodelan pemutaran video (Tautan alternatif)
● Karakteristik model pemeringkatan (Tautan alternatif)
● Model tata letak kasar (Tautan alternatif)
● Faktorisasi FM (Tautan alternatif)
● DCN Jaringan Lintas Dalam (Tautan alternatif)
● Struktur jaringan LHUC (Tautan alternatif)
● Salib Bilinear SENet (Tautan alternatif)
● Pemodelan urutan perilaku pengguna (Tautan alternatif)
● Model DIN (mekanisme perhatian) (Tautan alternatif)
● Model SIM (pemodelan urutan panjang) (Tautan alternatif)
● Pengukuran kesamaan item dan metode untuk meningkatkan keragaman (Tautan alternatif)
● Algoritma keragaman MMR (Tautan alternatif)
● Keanekaragaman algoritma di bawah batasan aturan bisnis (Tautan alternatif)
● Algoritma keanekaragaman DPP (Bagian 1) (Tautan alternatif)
● Algoritma keanekaragaman DPP (Bagian 2) (Tautan alternatif)
● Sasaran optimasi & indikator evaluasi (Tautan alternatif)
● Saluran penarikan sederhana (Tautan alternatif)
● Penarikan kembali klaster (Tautan alternatif)
● Penarikan kembali Serupa (Tautan alternatif)
● Kontrol lalu lintas (Tautan alternatif)
● Tes AB start dingin (Tautan alternatif)
● Ikhtisar (Tautan alternatif)
● Ingat (Tautan alternatif)
● Urutkan (Tautan alternatif)
● Keanekaragaman (Tautan alternatif)
● Karakteristik kelompok pengguna (Tautan alternatif)
● Perilaku interaktif (ikuti, teruskan, dan beri komentar) (Tautan alternatif)
Berdasarkan model "DNN_for_YouTube_Recommendations" dan kumpulan data rating film (ml-1m), model ini menunjukkan secara detail cara menerapkan model peringkat sistem rekomendasi berdasarkan TensorFlow2.
● Model pemeringkatan mendalam YouTube (penyematan multi-nilai, pembelajaran multi-tujuan)
Berdasarkan ide Goalng, Docker, dan layanan mikro, layanan mikro penalaran sistem rekomendasi dengan konkurensi tinggi, kinerja tinggi, dan ketersediaan tinggi diterapkan, termasuk berbagai layanan penarikan/penyortiran, dan menyediakan berbagai metode akses antarmuka (REST, gRPC, dan Dubbo), dll., masing-masing dapat menangani puluhan juta permintaan inferensi setiap hari.
● Sistem rekomendasi penalaran layanan mikro Golang
● Tutorial pengantar Sklearn pembelajaran mesin ● Tutorial pengantar TensorFlow pembelajaran mendalam
