จากการเข้าสู่ความเชี่ยวชาญในระบบการแนะนำ โครงการนี้จะแนะนำความรู้เชิงทฤษฎีของระบบการแนะนำระดับอุตสาหกรรมอย่างครอบคลุม (หลักสูตรเปิดเกี่ยวกับระบบการแนะนำของ Wang Shusen - อธิบายระบบการแนะนำที่แท้จริงในอุตสาหกรรมตามสถานการณ์ของ Xiaohongshu) วิธีการ ฝึกอบรมโมเดลตาม TensorFlow2 และวิธีการบรรลุระบบการแนะนำระดับสูง Golang ไมโครเซอร์วิสอนุมานที่มีประสิทธิภาพสูง การทำงานพร้อมกันสูง และความพร้อมใช้งานสูง รวมถึงพื้นฐานการเขียนโปรแกรม Sklean และ TensorFlow บางอย่าง แนะนำทฤษฎีของระบบผู้แนะนำทางอุตสาหกรรมอย่างครอบคลุมโดยใช้การเรียนรู้เชิงลึก วิธีฝึกโมเดลโดยใช้ TensorFlow2 วิธีใช้งานฐานบริการการอนุมานที่มีประสิทธิภาพสูง การทำงานพร้อมกันสูง และมีความพร้อมใช้งานสูงบน Golang
หมายเหตุ: ความรู้ทางทฤษฎีของส่วนแรกอยู่ในโกดังนี้ และรหัสของส่วนที่สอง สาม และสี่อยู่ในโกดังอื่น คลิกที่ลิงค์เพื่อข้ามไป
หากมีข้อผิดพลาดเกิดขึ้นเมื่อเปิดไฟล์ Jupyter Notebook ผ่านไฮเปอร์ลิงก์บนไซต์ Github คุณสามารถคลิกที่ "ลิงก์สำรอง" ที่สร้างจาก https://nbviewer.org เพื่อเข้าถึงไฟล์ที่เกี่ยวข้องทางอ้อม
หรือเข้าถึงลิงก์สำรองนอกไซต์ของทั้งโครงการผ่านลิงก์ต่อไปนี้ โปรดทราบว่าการคลิกไฟล์รูปแบบที่ไม่ใช่ Jupyter Notebook ในลิงก์สำรองนอกไซต์จะข้ามกลับไปยังที่เก็บ Github:
● ผู้แนะนำ_ระบบ
หลักสูตรแบบเปิดเกี่ยวกับระบบการแนะนำของ Wang Shusen - อธิบายระบบการแนะนำที่แท้จริงในอุตสาหกรรมตามสถานการณ์ของ Xiaohongshu บันทึกการอ่าน
● ลิงก์ระบบการแนะนำ (ลิงค์สำรอง) -
● การทดสอบ AB (ลิงค์สำรอง)
● การกรองการทำงานร่วมกันตามรายการ (ItemCF) (ลิงค์สำรอง)
● ช่องทางการเรียกคืนสวิง (ลิงค์สำรอง)
● การกรองการทำงานร่วมกันตามผู้ใช้ (UserCF) (ลิงค์สำรอง)
● การประมวลผลคุณลักษณะแบบแยกส่วน (ลิงค์สำรอง)
● การเสริมเมทริกซ์ (ลิงค์สำรอง)
● โมเดลตึกแฝด: โมเดลและการฝึกอบรม (ลิงค์สำรอง)
● แบบจำลองอาคารสองหลัง: ตัวอย่างเชิงบวกและเชิงลบ (ลิงค์สำรอง)
● โมเดลตึกแฝด: การเรียกคืนและอัปเดตทางออนไลน์ (ลิงค์สำรอง)
● โมเดลตึกแฝด + การเรียนรู้ด้วยตนเอง (ลิงค์สำรอง)
● การเรียกคืนข้อมูลเชิงลึก (ลิงค์สำรอง)
● ช่องทางการเรียกคืนอื่นๆ (ลิงค์สำรอง)
● ฟิลเตอร์แสงและฟิลเตอร์บลูม (ลิงค์สำรอง)
● รูปแบบการจัดอันดับแบบหลายวัตถุประสงค์ (ลิงค์สำรอง)
● เอ็มโมอี (ลิงค์สำรอง)
● การรวมคะแนนโดยประมาณ (ลิงค์สำรอง)
● การสร้างแบบจำลองการเล่นวิดีโอ (ลิงค์สำรอง)
● ลักษณะของแบบจำลองการจัดอันดับ (ลิงค์สำรอง)
● โมเดลเค้าโครงคร่าวๆ (ลิงค์สำรอง)
● แฟคเตอร์เอฟเอ็ม (ลิงค์สำรอง)
● DCN เครือข่ายแบบ Deep Cross (ลิงค์สำรอง)
● โครงสร้างเครือข่าย LHUC (ลิงค์สำรอง)
● SENet Bilinear Cross (ลิงค์สำรอง)
● การสร้างแบบจำลองลำดับพฤติกรรมของผู้ใช้ (ลิงค์สำรอง)
● รุ่น DIN (กลไกความสนใจ) (ลิงค์สำรอง)
● รุ่น SIM (การสร้างแบบจำลองลำดับยาว) (ลิงค์สำรอง)
● การวัดความคล้ายคลึงกันของรายการและวิธีการปรับปรุงความหลากหลาย (ลิงค์สำรอง)
● อัลกอริธึมความหลากหลาย MMR (ลิงค์สำรอง)
● อัลกอริธึมความหลากหลายภายใต้ข้อจำกัดของกฎเกณฑ์ทางธุรกิจ (ลิงค์สำรอง)
● อัลกอริธึมความหลากหลายของ DPP (ตอนที่ 1) (ลิงค์สำรอง)
● อัลกอริธึมความหลากหลายของ DPP (ตอนที่ 2) (ลิงค์สำรอง)
● เป้าหมายการเพิ่มประสิทธิภาพและตัวบ่งชี้การประเมินผล (ลิงค์สำรอง)
● ช่องทางการเรียกคืนง่ายๆ (ลิงค์สำรอง)
● การเรียกคืนคลัสเตอร์ (ลิงค์สำรอง)
● การเรียกคืนรูปลักษณ์ที่เหมือนกัน (ลิงค์สำรอง)
● การควบคุมการจราจร (ลิงค์สำรอง)
● การทดสอบ AB เริ่มเย็น (ลิงค์สำรอง)
● ภาพรวม (ลิงค์สำรอง)
● เรียกคืน (ลิงค์สำรอง)
● เรียงลำดับ (ลิงค์สำรอง)
● ความหลากหลาย (ลิงค์สำรอง)
● กลุ่มผู้ใช้ที่มีลักษณะเฉพาะ (ลิงค์สำรอง)
● พฤติกรรมโต้ตอบ (ติดตาม ส่งต่อ และแสดงความคิดเห็น) (ลิงค์สำรอง)
โดยอิงจากโมเดล "DNN_for_YouTube_Recommendations" และชุดข้อมูลการจัดเรตภาพยนตร์ (ml-1m) โดยจะสาธิตโดยละเอียดเกี่ยวกับวิธีการใช้โมเดลการจัดอันดับระบบการแนะนำตาม TensorFlow2
● รูปแบบการจัดอันดับเชิงลึกของ YouTube (การฝังหลายค่า การเรียนรู้หลายวัตถุประสงค์)
จากแนวคิดของ Goalng, Docker และไมโครเซอร์วิส ได้มีการนำไมโครเซอร์วิสระบบการแนะนำเหตุผลที่มีความพร้อมกันสูง ประสิทธิภาพสูง และมีความพร้อมใช้งานสูงมาใช้ รวมถึงบริการการเรียกคืน/การเรียงลำดับที่หลากหลาย และมีวิธีการเข้าถึงอินเทอร์เฟซที่หลากหลาย (REST, gRPC และ Dubbo) ฯลฯ แต่ละตัวสามารถรองรับคำขออนุมานได้นับสิบล้านคำขอทุกวัน
● ระบบการแนะนำการให้เหตุผลไมโครเซอร์วิส Golang
● การเรียนรู้ของเครื่อง Sklearn บทช่วยสอนเบื้องต้น ● การเรียนรู้เชิงลึก TensorFlow บทช่วยสอนเบื้องต้น
