1.开篇词
├──开篇词 _ 从0开始搭建一个深度学习推荐系统
2.基础架构篇
├──01 _ 技术架构：深度学习推荐系统的经典技术架构长啥样？
├──02 _ Sparrow RecSys：我们要实现什么样的推荐系统？
├──03 _ 深度学习基础：你打牢深度学习知识的地基了吗？
├──国庆策划 _ 关于深度学习推荐系统，我有这些资料想推荐给你
├──国庆策划 _ 深度学习推荐系统基础，你掌握了多少？
3.特征工程篇
├──04 _ 特征工程：推荐系统有哪些可供利用的特征？
├──05 _ 特征处理：如何利用Spark解决特征处理问题？
├──06 _ Embedding基础：所有人都在谈的Embedding技术到底是什么？
├──07 _ Embedding进阶：如何利用图结构数据生成Graph Embedding？
├──08 _ Embedding实战：如何使用Spark生成Item2vec和Graph Embedding？
├──答疑 _ 基础架构篇+特征工程篇常见问题解答
4.线上服务篇
├──09 _ 线上服务：如何在线上提供高并发的推荐服务？
├──10 _ 存储模块：如何用Redis解决推荐系统特征的存储问题？
├──11 _ 召回层：如何快速又准确地筛选掉不相关物品？
├──12 _ 局部敏感哈希：如何在常数时间内搜索Embedding最近邻？
├──13 _ 模型服务：怎样把你的离线模型部署到线上？
├──14 _ 融会贯通：Sparrow RecSys中的电影相似推荐功能是如何实现的？
├──答疑 _ 线上服务篇留言问题详解
5.推荐模型篇
├──15 _ 协同过滤：最经典的推荐模型，我们应该掌握什么？
├──16 _ 深度学习革命：深度学习推荐模型发展的整体脉络是怎样的？
├──17 _ Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？
├──18｜Wide&Deep：怎样让你的模型既有想象力又有记忆力？
├──19｜NeuralCF：如何用深度学习改造协同过滤？
├──20 _ DeepFM：如何让你的模型更好地处理特征交叉？
├──21｜注意力机制、兴趣演化：推荐系统如何抓住用户的心？
├──22｜强化学习：让推荐系统像智能机器人一样自主学习
├──23｜ 实战：如何用深度学习模型实现Sparrow RecSys的个性化推荐功能？
├──模型实战准备（一） _ TensorFlow入门和环境配置
├──模型实战准备（二） _ 模型特征、训练样本的处理
├──特别加餐 _ “银弹”不可靠，最优的模型结构该怎么找？
6.模型评估篇
├──24 _ 离线评估：常用的推荐系统离线评估方法有哪些？
├──25 _ 评估指标：我们可以用哪些指标来衡量模型的好坏？
├──B测试？
├──B测试资源紧张的窘境？
├──特别加餐｜TensorFlow的模型离线评估实践怎么做？
7.前沿拓展篇
├──28 _ 业界经典：YouTube深度学习推荐系统的经典架构长什么样？
├──29 _ 图神经网络：Pinterest是如何应用图神经网络的？
├──30 _ 流处理平台：Flink是如何快速识别用户兴趣，实现实时推荐的？
├──31｜模型迭代：阿里巴巴是如何迭代更新推荐模型的？
├──32 _ 强化学习案例：美团是如何在推荐系统中落地强化学习的？
├──33｜技术权衡：解决方案这么多，哪个最合适？
8.结束语
├──结束语｜深度学习时代需要什么样的推荐工程师？
请先 ！