推薦系統從入門到精通，本計畫全面介紹了工業級推薦系統的理論知識（王樹森推薦系統公開課-基於小紅書的場景講解工業界真實的推薦系統），如何基於TensorFlow2訓練模型，如何實現高效能、高並發、高可用的Golang推理微服務。以及一些Sklean和TensorFlow程式設計基礎知識。 Comprehensively introduced the theory of industrial recommender system base on deep learning, how to trainning models based on TensorFlow2, how to implement the high-performance、high-concurrency and high-available inference services high-performance、high-concurrency and high-available inference services base on
注意：第一部分的理論知識在本倉庫，第二、三、四部分的程式碼在其他倉庫，點選連結即可跳轉。
如果透過Github站內超連結開啟Jupyter Notebook檔案發生錯誤，可以點選根據https://nbviewer.org 產生的「備用連結」間接存取對應檔案。
或者透過以下鏈接訪問整個專案的站外備用鏈接，注意點擊站外備用鏈接裡的非Jupyter Notebook格式文件會跳轉回Github倉庫內：
● Recommender_System
王樹森推薦系統公開課- 基於小紅書的場景講解工業界真實的推薦系統，讀書筆記。
●推薦系統的鏈路(備用連結) ]
● AB測試(備用連結)
●基於物品的協同過濾（ItemCF） (備用連結)
● Swing召回通道(備用連結)
●基於使用者的協同過濾（UserCF） (備用連結)
●離散特徵處理(備用連結)
●矩陣補充(備用連結)
●雙塔模型：模型與訓練(備用連結)
●雙塔模型：正負樣本(備用連結)
●雙塔模型：線上召回與更新(備用連結)
●雙塔模型+自監督學習(備用連結)
● Deep Retrieval召回(備用連結)
●其他召回通道(備用連結)
●曝光過濾和Bloom Filter (備用連結)
●多目標排序模型(備用連結)
● MMoE (備用連結)
●預估分數融合(備用連結)
●影片播放建模(備用連結)
●排序模型的特徵(備用連結)
●粗排模型(備用連結)
●因子分解機FM (備用連結)
●深度交叉網路DCN (備用連結)
● LHUC網路結構(備用連結)
● SENet Bilinear Cross (備用連結)
●使用者行為序列建模(備用連結)
● DIN模型（注意力機制） (備用連結)
● SIM模型（長序列建模） (備用連結)
●物品相似性的度量、提升多樣性的方法(備用連結)
● MMR多樣性演算法(備用連結)
●業務規則約束下的多樣性演算法(備用連結)
● DPP多樣性演算法（上） (備用連結)
● DPP多樣性演算法（下） (備用連結)
●優化目標&評估指標(備用連結)
●簡單的召回頻道(備用連結)
●聚類召回(備用連結)
● Look-Alike召回(備用連結)
●流量調控(備用連結)
●冷啟動的AB測試(備用連結)
●概述(備用連結)
●召回(備用連結)
●排序(備用連結)
●多樣性(備用連結)
●特徵用戶群(備用連結)
●互動行為（關注、轉發和評論） (備用連結)
以"DNN_for_YouTube_Recommendations"模型和影片評分資料集（ml-1m）為基礎，詳盡的展示如何基於TensorFlow2實現推薦系統排序模型。
● YouTube深度排序模型(多值embedding、多目標學習)
基於Goalng、Docker和微服務思想實現了高並發、高效能和高可用的推薦系統推理微服務，包括多種召回/排序服務，並提供多種介面存取方式（REST、gRPC和Dubbo）等，每日可處理上千萬次推理請求。
●推薦系統推理微服務Golang
●機器學習Sklearn入門教學●深度學習TensorFlow入門教學
