七月在线：推荐系统实战第二期

七月在线：推荐系统实战第二期课程介绍：

课程来自七月在线的推荐系统实战第二期。本课程将首次全面公开推荐技术在BAT中的核心应用，从BAT、头条、Google等公司最成熟N ; ` t d O和先进的算法构架展开，主要内容包括：W } $推荐系统架构、冷启动算法、用户画像、召回技术+ A , \ V Y d U R、CTR预估模型、视频推荐竞赛实战、Graph Embedding、分布式训练、实时计2 Y – H算与在线学习等。

推/ { X荐技术目前在各大G b T } } 2电商平台、视频平台、新闻平台有着举足轻重的作用，是互联网公司进行流量变现、提升、体验( / L D U l . j g的重要手段。比如，今日头条公司就通过炉火纯青的推荐技术，直接缔造了其母公司“字节跳动v Y X”超500亿美金的市值。

课程目录：

│ 01.推荐系统简介.ts
│ 02.召回算法和业界最佳实践（一）.ts
│ 03.召回算法和业界最佳W C o , d实践（二）.ts
│ 04.用户建模（召回、排序都会用到）.ts
│ 05.重排序算法：Learning to Rank（1）.ts
│ 06.重排序算法：Learning to Rank（2）.ts
│ 07.排序算法&深度学习模型+ i ) K c F K（一）.ts
│ 08.排序算法&深度学习模型（二）.ts
│ 09.学术界最新算法在BAT的应用.ts
│ 10.实时化技术升级1 a M } I Q.ts
│ 11.掌握真实业务场景下的推荐算法.ts
│
└─00.配套资料（附源码、讲义、参考资料）
├─第10课 掌握真实业务u h @ 9 ; y * |场景下的推荐算法
│ Recommenders-master 2.zip
│ spark_code.zip
│ 第10课 掌握真实业务场景下的推荐系统.pdf
│
├─第1课 推荐系统简介：Youtube、Google、BAT、头条等
│& b B o E k { J bandits.py
│ Factorization Machines with libFM.pdf
│ Factorization Meets the Neighborhood_ a Multifaceted Collaborative Filtering Model.pdf
│ Item-Based Collaborative Filtering Recommendation Algo! | =rithmsR ^ d.pdf
│ Item-Based C^ ~ R j qollaborative Filtering Recommendation Algorithms.pdf.qqdownload
│ Matrix factorization techniques for recommender systems.pdf
│ Real-time Personalization using Embeddings for Search Ranking a@ \ I b 0 8 & $ Qt Airbnb.pdf
│ Recommender Systems Handbook.pdf
│ Recommending items to more than a billion people – Facebook Code.pdf
│ 推荐系统实践-项亮.pdf
│ 第1课.png
│ 第一课 推荐系统简介-课件.pdf
│
├─第2课 召回算法和业界最佳实践(一)
│ Fast Greedy MAP Inference for DetO | / A o e derminantal Point.pdfj P 3 v u j F
│ movie_recommender.ipynb
│ movie_recommender.py
│ 第2课 召– B E e 2 o回算法和业界最佳实践(一).pdf
│ 第2课.png
│
├─第3课 召回算法和业界最佳n a E @ z W实践(二)
│ wor– # kd2vec.ipynb
│ 推荐系统实践-3.pdf
│ 第3课.png
│
├─第[ V 9 / /4课 用户建模（召回、排序都会用到）
│ Wide&Deep Learning Demo.zip
│ 第4N 7 ? . {课 Build Large Scale Classification Model.pdf
│ 第4课.png
│
├─第5课 重排序算法：Learning to Rank
│ E$ p rSMM手把手Gui0 i # Y n vdebook.zip
│ 第6~7课 Deep Rank Modb o i a f : @ l `el.pdf
│ 第6课.png
│
├─第6课 排序算法&深度学习模型（一）
│ BPR- Bayesian Personalized Ranking from ImplicB . Uit Feedback.pdf
│ bpr.ipynb
│ Entire Space Multi-Task Model- An Effective ApprC [ o P 0oach for Estimating PostA ^ v-Click Conversion Rate.p9 P x 8 ^ { g H 3df
│ From RankQ ) 3 & d p i (Net to LambdaRank to LambdaMART- An Overview.pdf
│ Improving Pairwise Learning for Item Recommendad E k 5 % n E t zti7 E 8 ron from ImplicitV 2 Q & m + F Feedback.pdf
│ leaning to rank for recsys.pdf
│ 推荐系统实战-5.pdf
│ 第6课.png
│
├─第7课 排序算法&# $ t 5amp;amp;深度学习模型（二）
│ 第6~7课 Deep Rank Model.pdf
│
├─第8课 学术界最新算法在BF J Q Y y = cAT的应用
│ FM_FTRL_demo.zip
│ 第8课 实时化推荐技术升级.pdf
│ 第8F T & P \ P \ {课.png
│
└─第9课 实时化技术升级
│ 百度凤巢：DNN在凤巢CTR预估中T S + D的应用.pdf
│ 第9课 学术界最新算法在BAT的应用.3 V r ? F } $ U rpdf
│
└─gcn-master
│ .gitignore
│ LICENCE
│ README.md
│ setup.py
│
├─build
│ ├─bdist.maco* { ssx-10.7-x86_64
│ └─lib
│ └─gV [ [ 2 0 D W ]cn
│ inits.py
│ layers.py
│ metrics.py
│ models.py
│ train.py
│ utils.py
│ __init__.py
│
├─dist
│ gcn-1.0-py3.6.egg
│
├─gcn
│ │ .layers.py.swI 2 ( ) 6p
│ │ inits.py
│ │ layers.py
│ │ metrics.py
│ │ mode^ g Z b l D o Cls.py
│ │ trai# X n q V o &n.py
│ │ utils.py
│ │ __init__.py
│ │
│ └─X , Jdath F 1 x {a
│ ind.citeseer.allx
│ ind.citeseer.ally
│ ind.cites~ v 8 leer.graph
│ ind.citeseerc # / n 4 Q.test.index
│ ind.citeseer.tx– J % * r \ b j
│ ind.citeseer.ty\ K O j s /
│ ind.citeseer.x
│ ind.citeseer.y
│ ind.cora.allx
│p q = ind.cora.ally
│ ind.cora.graph
│ ind.cora.test.index
│ ind.cora.tx
│ ind.cora.ty
│ ind.cO z ( Jora.x
│ ind.cora.y
│ ind.pubmed.a% K 2 ^ & c Vllx
│ ind.pubmed.ally
│D 9 ( ind.pubmed.graph
│ ind.pubA s e [ i 0 [ 2med.test.index
│ ind.pui X 7 o W |bmed.tx
│ ind.pubmed.ty
│ ind.pubmed.x
│ ind.pubmed.y
│
└─gcn.egg-info
dependency_links.txt
PKG-INFO
req1 w } 7 $ Puires.txt
SOURCES.txt
top_level.tx\ 7 %t