资源介绍：

课程分为七个章节：架构篇、数据篇、召回篇：基于规则的召回、服务搭建篇、召回篇：经典召回算法、排序篇和部署篇

架构篇

为你提供了解推荐系统概念和功能宏观视角。以 Netflix 系统为例，带你推荐系统的工作原理，展示推荐系统的运作流程和优化策略，从而让你对推荐系统的实践应用有一个整体认识

数据篇

深入探讨推荐系统所依赖的数据处理流程。先学习爬虫和数据库的原理和使用方法，然后从新闻网站中爬取数据，将它们作为我们的原始数据集。接下来，使用 NLP、Python 等技术对数据进行简单的特征工程处理，形成内容画像系统

召回篇：基于规则的召回

利用数据篇得到的数据，进行一些基于规则的召回。在讲解什么是召回、为什么需要召回以及召回的种类的同时，深入研究召回对于推荐系统的影响，以及如何选择最优的召回策略

服务搭建篇

将数据拼装后，绑定到界面进行内容推荐。本章将为你提供一个简单的推荐系统 Web 界面，带领你在这个界面的基础上调用 Flask 提供的 webservice 接口，完成内容推荐

召回篇：经典召回算法

深入探讨包括协同过滤、基于 Embedding 的召回以及基于深度学习的召回等一系列经典召回算法，针对这些算法做不同的特征处理，并将它们与数据库、数据集结合起来

排序篇

讲解经典排序算法，包括 GBDT、LR、DeepFM、重排序等，充分利用现有数据，与上一章的推荐系统流程结合，用真实案例加深你对这些算法特点及适用场景的理解

部署篇

带你使用 TensorFlow Serving 来进行服务的部署和搭建，完成一个真正的企业级推荐系统。此外，还会对推荐系统进行一个整体的回顾，带你从全局视角来观察企业级推荐系统如何在线上运作

课程目录

• 01｜推荐系统：我们应该怎样学习推荐系统？.md
• 01｜推荐系统：我们应该怎样学习推荐系统？
• 02｜Netflix推荐系统：企业级的推荐系统架构是怎样的？.md
• 02｜Netflix推荐系统：企业级的推荐系统架构是怎样的？
• 03｜数据处理：我们应该如何获取和处理数据？.md
• 03｜数据处理：我们应该如何获取和处理数据？
• 04｜MongoDB：如何安装和使用MongoDB数据库？.md
• 04｜MongoDB：如何安装和使用MongoDB数据库？
• 05｜Redis：如何安装和使用Redis数据库？.md
• 05｜Redis：如何安装和使用Redis数据库？
• 06｜网络爬虫：爬取一个网站的流程是怎样的？.md
• 06｜网络爬虫：爬取一个网站的流程是怎样的？
• 07｜数据获取：什么是Scrapy框架？.md
• 07｜数据获取：什么是Scrapy框架？
• 08｜数据获取：如何使用Scrapy框架爬取新闻数据？.md
• 08｜数据获取：如何使用Scrapy框架爬取新闻数据？
• 09｜数据存储：如何将爬取到的数据存入数据库中？.md
• 09｜数据存储：如何将爬取到的数据存入数据库中？
• 10｜数据加工：如何将原始数据做成内容画像？.md
• 10｜数据加工：如何将原始数据做成内容画像？
• 11｜基于规则的召回：如何使用规则找到用户的兴趣点？.md
• 11｜基于规则的召回：如何使用规则找到用户的兴趣点？
• 12｜基于热度的召回：如何使用热门内容来吸引用户？.md
• 12｜基于热度的召回：如何使用热门内容来吸引用户？
• 13｜基于关键词的召回：如何使用关键词吸引用户？.md
• 13｜基于关键词的召回：如何使用关键词吸引用户？
• 14｜基于Flask的推荐服务：搭建基础的Flask服务.md
• 14｜基于Flask的推荐服务：搭建基础的Flask服务
• 15｜基于Flask的推荐服务：如何把召回集推荐出去？.md
• 15｜基于Flask的推荐服务：如何把召回集推荐出去？
• 16｜基础用户画像：如何用好用户的注册信息？.md
• 16｜基础用户画像：如何用好用户的注册信息？
• 17｜推荐系统前端：如何用一个界面展示我们的成果？.md
• 17｜推荐系统前端：如何用一个界面展示我们的成果？
• 18｜一个简单的推荐服务闭环包括哪些模块？.md
• 18｜一个简单的推荐服务闭环包括哪些模块？
• 19｜协同过滤：召回算法中永远不落幕的经典.md
• 19｜协同过滤：召回算法中永远不落幕的经典
• 20｜Embedding：深入挖掘用户底层特征.md
• 20｜Embedding：深入挖掘用户底层特征
• 21｜YouTubeDNN：召回算法的后起之秀（上）.md
• 21｜YouTubeDNN：召回算法的后起之秀（上）
• 开篇词｜从企业级项目开始，进阶推荐系统.md
• 开篇词｜从企业级项目开始，进阶推荐系统