Этот проект, от входа до уровня владения системой рекомендаций, всесторонне знакомит с теоретическими знаниями о системе рекомендаций промышленного уровня (открытый курс Ван Шусена по системе рекомендаций - объяснение реальной системы рекомендаций в отрасли на основе сценария Сяохуншу), о том, как обучить модель на основе TensorFlow2 и узнать, как создать микросервис вывода Golang высокого уровня с высокой производительностью, высоким уровнем параллелизма и высокой доступностью. А также некоторые основы программирования Sklean и TensorFlow. Всесторонне представлена теория промышленной рекомендательной системы, основанной на глубоком обучении, способы обучения моделей на основе TensorFlow2, способы реализации высокопроизводительной, высокопараллельной и высокодоступной базы служб вывода на Golang.
Примечание. Теоретические знания первой части находятся на этом складе, а коды второй, третьей и четвертой частей — на других складах. Нажмите на ссылку, чтобы перейти.
Если при открытии файла Jupyter Notebook по гиперссылке на сайте Github возникает ошибка, вы можете нажать на «резервную ссылку», созданную на основе https://nbviewer.org, чтобы получить косвенный доступ к соответствующему файлу.
Или получите доступ к ссылке на внешнее резервное копирование всего проекта по следующей ссылке. Обратите внимание, что нажатие на файл формата, отличного от Jupyter Notebook, в ссылке на внешнее резервное копирование приведет к возврату в репозиторий Github:
● Рекомендательная_система
Открытый курс Ван Шусена по системе рекомендаций - объясняет реальную систему рекомендаций в отрасли на основе сценария Сяохуншу, читая примечания.
● Ссылки на систему рекомендаций. (Альтернативная ссылка) ]
● AB-тестирование (Альтернативная ссылка)
● Совместная фильтрация на основе элементов (ItemCF). (Альтернативная ссылка)
● Канал возврата свинга. (Альтернативная ссылка)
● Совместная фильтрация на основе пользователей (UserCF). (Альтернативная ссылка)
● Дискретная обработка объектов. (Альтернативная ссылка)
● Дополнение к матрице (Альтернативная ссылка)
● Модель «Башни-близнецы»: модель и обучение. (Альтернативная ссылка)
● Модель с двумя башнями: положительные и отрицательные образцы. (Альтернативная ссылка)
● Модель башен-близнецов: интерактивный вызов и обновление. (Альтернативная ссылка)
● Модель башни-близнеца + самостоятельное обучение. (Альтернативная ссылка)
● Глубокий вызов (Альтернативная ссылка)
● Другие каналы отзыва. (Альтернативная ссылка)
● Фильтр экспозиции и фильтр Блума. (Альтернативная ссылка)
● Модель многокритериального ранжирования. (Альтернативная ссылка)
● ММОЕ (Альтернативная ссылка)
● Предполагаемое объединение оценок. (Альтернативная ссылка)
● Моделирование воспроизведения видео. (Альтернативная ссылка)
● Характеристики моделей ранжирования. (Альтернативная ссылка)
● Примерная планировка. (Альтернативная ссылка)
● Факторизатор FM (Альтернативная ссылка)
● Глубокая перекрестная сеть DCN. (Альтернативная ссылка)
● Структура сети LHUC (Альтернативная ссылка)
● Билинейный крест SENet (Альтернативная ссылка)
● Моделирование последовательности поведения пользователя . (Альтернативная ссылка)
● Модель DIN (механизм внимания) (Альтернативная ссылка)
● SIM-модель (моделирование длинной последовательности) (Альтернативная ссылка)
● Измерение сходства предметов и методы улучшения разнообразия. (Альтернативная ссылка)
● Алгоритм разнообразия MMR (Альтернативная ссылка)
● Алгоритм разнообразия в условиях ограничений бизнес-правил. (Альтернативная ссылка)
● Алгоритм разнообразия DPP (часть 1). (Альтернативная ссылка)
● Алгоритм разнообразия DPP (часть 2) (Альтернативная ссылка)
● Цели оптимизации и показатели оценки. (Альтернативная ссылка)
● Простой канал отзыва. (Альтернативная ссылка)
● Отзыв кластера (Альтернативная ссылка)
● Повторный отзыв (Альтернативная ссылка)
● Контроль дорожного движения. (Альтернативная ссылка)
● Тест AB при холодном запуске. (Альтернативная ссылка)
● Обзор (Альтернативная ссылка)
● Напомним (Альтернативная ссылка)
● Сортировать (Альтернативная ссылка)
● Разнообразие (Альтернативная ссылка)
● Характерные группы пользователей. (Альтернативная ссылка)
● Интерактивное поведение (подписка, пересылка и комментирование). (Альтернативная ссылка)
На основе модели «DNN_for_YouTube_Recommendations» и набора данных рейтинга фильмов (ml-1m) подробно демонстрируется, как реализовать модель ранжирования системы рекомендаций на основе TensorFlow2.
● Модель глубокого ранжирования YouTube (многозначное внедрение, многоцелевое обучение).
На основе идей Goalng, Docker и микросервисов реализован микросервис рассуждения системы рекомендаций с высоким уровнем параллелизма, высокой производительностью и высокой доступностью, включая различные службы отзыва/сортировки, а также различные методы доступа к интерфейсу (REST, gRPC и Даббо) и т. д., каждый из которых может обрабатывать десятки миллионов запросов вывода каждый день.
● Рекомендательная система рассуждений микросервиса Golang.
● Вводное руководство по машинному обучению Sklearn. ● Вводное руководство по глубокому обучению TensorFlow.
