课程大纲

第一阶段 掌握BAT推荐系统和常用算法

第1课 推荐系统简介：Youtube、Google、BAT、头条等

知识点1： 系统架构、模块介绍（召回、排序、重排序算法和系统等）

知识点2： 推荐算法评估指标

知识点3： A/B Test 系统

知识点4： 冷启动问题和工业界解决方案

实战项目： 冷启动解决方案代码实战

第2课 召回算法和业界最佳实践(一)

知识点1： BAT里常用的CF算法以及变种（User/Item CF等变种)

知识点2： Hybrid CF 算法

知识点3： Model Based CF（LFM矩阵分解、NMF、SVD)

知识点4： 基于改进版协同过滤算法实战

第3课 召回算法和业界最佳实践(二)

知识点1： Graph 推荐召回算法

知识点2： 倒排召回算法系统设计

知识点3： Embedding 召回（DNN）

实战项目： 基于隐语义模型推导和实战

第二阶段 深入BAT内部推荐&排序架构

第4课 用户建模（召回、排序都会用到）

知识点1： BAT公司里常见的用户建模

知识点2： 特征工程、分类模型开发

实战项目： 如何做一个用户偏好模型实战

第5课 重排序算法：Learn to Rank

知识点1： Pointwise/Pairwise/Listwise排序（全局排序）

知识点2： 多目标优化（ESMM等）

知识点3： 多样性排序（BAT真实场景用户体验优化）

实战项目： 多目标预估算法实战

第6课 排序算法&深度学习模型（一）

知识点1： 推荐系统的 Rank 模块介绍

知识点2： 基于规则的Rank算法

知识点3： Rank模型进入机器学习时代

知识点4： BAT模型改进：从浅度到深度Rank学习（WDL、DeepFM、DeepCross等）（上）

实战项目： 工业界CTR模型实战（TensorFlow）

第7课 排序算法&深度学习模型（二）

知识点1： BAT模型改进：从浅度到深度Rank学习(Attention、知识图谱、LSTM等）（下）

知识点2： Rank模型中的特征工程（BAT里基础建模流程构造：涉及样本、特征、模型、系统设计和实践）

知识点3： 工业界实际的CTR后校准技术

知识点4： 工业界大规模训练&在线引擎

实战项目： 阿里CTR-CVR数据上的MTL-ESMM实战（TensorFlow）

第8课 学术界最新算法在BAT的应用

知识点1： 电商推荐中的Delayed reward强化学习算法

知识点2： GAN等技术在推荐系统的实践

实战项目： 强化学习排序算法实战

第三阶段 通晓Online Learning和业务场景推荐

第9课 实时化技术升级 

知识点1： Online Learning 算法（FTRL、增量学习等）

知识点2： Online Learning 在BAT的系统架构

实战项目： Online Learning 最新算法实现

第10课 掌握真实业务场景下的推荐算法

知识点1： 社交推荐算法

知识点2： 短视频推荐算法

知识点3： 音乐推荐

知识点4： 新闻推荐

知识点5： 电商推荐

实战项目： 如何用机器学习来解决工业界中的实际问题

获取方式（备注推荐系统）