Da entrada à proficiência no sistema de recomendação, este projeto apresenta de forma abrangente o conhecimento teórico do sistema de recomendação de nível industrial (curso aberto de Wang Shusen sobre sistema de recomendação - explicando o verdadeiro sistema de recomendação na indústria com base no cenário de Xiaohongshu), como treinar o modelo baseado no TensorFlow2 e como obter um microsserviço de inferência de alto nível Golang com alto desempenho, alta simultaneidade e alta disponibilidade. Bem como alguns princípios básicos de programação Sklean e TensorFlow. Introduziu de forma abrangente a teoria do sistema de recomendação industrial baseado em aprendizado profundo, como treinar modelos baseados em TensorFlow2, como implementar a base de serviços de inferência de alto desempenho, alta simultaneidade e alta disponibilidade em Golang.
Nota: O conhecimento teórico da primeira parte está neste armazém, e os códigos da segunda, terceira e quarta peças estão em outros armazéns. Clique no link para pular.
Se ocorrer um erro ao abrir um arquivo Jupyter Notebook por meio de um hiperlink no site Github, você pode clicar no "link de backup" gerado com base em https://nbviewer.org para acessar indiretamente o arquivo correspondente.
Ou acesse o link de backup externo de todo o projeto por meio do link a seguir. Observe que clicar no arquivo no formato não Jupyter Notebook no link de backup externo retornará ao repositório do Github:
● Sistema_Recomendador
Curso aberto de Wang Shusen sobre sistema de recomendação - explica o verdadeiro sistema de recomendação na indústria com base no cenário de Xiaohongshu, lendo notas.
● Links do sistema de recomendação (Link alternativo) ]
● Teste AB (Link alternativo)
● Filtragem colaborativa baseada em itens (ItemCF) (Link alternativo)
● Canal de recall de swing (Link alternativo)
● Filtragem colaborativa baseada no usuário (UserCF) (Link alternativo)
● Processamento de recursos discretos (Link alternativo)
● Suplemento matricial (Link alternativo)
● Modelo Torre Gêmea: Modelo e Treinamento (Link alternativo)
● Modelo de duas torres: amostras positivas e negativas (Link alternativo)
● Modelo Torres Gêmeas: recall e atualização on-line (Link alternativo)
● Modelo de torres gêmeas + aprendizagem autossupervisionada (Link alternativo)
● Recuperação profunda (Link alternativo)
● Outros canais de recall (Link alternativo)
● Filtro de exposição e filtro Bloom (Link alternativo)
● Modelo de classificação multiobjetivo (Link alternativo)
● MMoE (Link alternativo)
● Fusão de pontuação estimada (Link alternativo)
● Modelagem de reprodução de vídeo (Link alternativo)
● Características dos modelos de classificação (Link alternativo)
● Modelo de layout aproximado (Link alternativo)
● Fatorador FM (Link alternativo)
● DCN de rede cruzada profunda (Link alternativo)
● Estrutura da rede LHUC (Link alternativo)
● Cruz Bilinear SENet (Link alternativo)
● Modelagem de sequência de comportamento do usuário (Link alternativo)
● Modelo DIN (mecanismo de atenção) (Link alternativo)
● Modelo SIM (modelagem de sequência longa) (Link alternativo)
● Medição da similaridade de itens e métodos para melhorar a diversidade (Link alternativo)
● Algoritmo de diversidade MMR (Link alternativo)
● Algoritmo de diversidade sob as restrições das regras de negócios (Link alternativo)
● Algoritmo de diversidade DPP (Parte 1) (Link alternativo)
● Algoritmo de diversidade DPP (Parte 2) (Link alternativo)
● Metas de otimização e indicadores de avaliação (Link alternativo)
● Canal de recuperação simples (Link alternativo)
● Recuperação de cluster (Link alternativo)
● Recuperação semelhante (Link alternativo)
● Controle de tráfego (Link alternativo)
● Teste AB de partida a frio (Link alternativo)
● Visão geral (Link alternativo)
● Lembrar (Link alternativo)
● Classificar (Link alternativo)
● Diversidade (Link alternativo)
● Grupos de usuários característicos (Link alternativo)
● Comportamento interativo (seguir, encaminhar e comentar) (Link alternativo)
Com base no modelo "DNN_for_YouTube_Recommendations" e no conjunto de dados de classificação de filmes (ml-1m), ele demonstra detalhadamente como implementar um modelo de classificação de sistema de recomendação baseado no TensorFlow2.
● Modelo de classificação profunda do YouTube (incorporação de múltiplos valores, aprendizagem multiobjetivo)
Com base nas ideias de Goalng, Docker e microsserviços, um microsserviço de raciocínio de sistema de recomendação de alta simultaneidade, alto desempenho e alta disponibilidade é implementado, incluindo uma variedade de serviços de recall/classificação, e fornece uma variedade de métodos de acesso de interface (REST, gRPC e Dubbo), etc., cada um pode lidar com dezenas de milhões de solicitações de inferência todos os dias.
● Microsserviço de raciocínio do sistema de recomendação Golang
● Tutorial introdutório de aprendizado de máquina do Sklearn ● Tutorial introdutório de aprendizado profundo do TensorFlow
