黑马头条推荐系统项目
1.
黑马头条推荐架构介绍
1.1.
头条推荐架构
1.2.
开发环境介绍
2.
离线计算更新文章画像
2.1.
数据库迁移
2.2.
用户行为收集到HIVE
2.3.
离线画像业务介绍
2.4.
离线文章画像计算
2.5.
离线增量画像更新代码
2.6.
Apscheduler定时更新文章画像
2.7.
Word2Vec与文章相似度
2.8.
文章相似度增量更新
2.9.
总结
2.10.
每日作业
3.
离线用户画像更新与召回排序计算
3.1.
用户画像逻辑
3.2.
用户画像增量更新
3.3.
离线召回与排序介绍
3.4.
离线用户基于模型召回集
3.5.
离线用户基于内容召回集
3.6.
离线用户召回定时更新
3.7.
离线排序模型训练基础
3.8.
离线ctr特征中心更新
3.9.
总结
3.10.
每日作业
4.
实时计算业务
4.1.
实时计算介绍
4.2.
Flume
4.3.
Kafka
4.4.
实时日志分析
4.5.
实时召回集业务
4.6.
热门与新文章召回
4.7.
Spark性能优化
4.8.
总结
4.9.
每日作业
5.
推荐业务流实现与ABTest
5.1.
实时推荐业务介绍
5.2.
grpc接口对接
5.3.
ABTest实验中心
5.4.
推荐中心逻辑
5.5.
召回集读取服务
5.6.
推荐缓存服务
5.7.
排序模型在线预测
5.8.
总结
5.9.
每日作业
6.
深度学习与推荐系统
6.1.
推荐系统的深度学习关联
6.2.
深度学习应用简介
7.
TensorFlow框架介绍
7.1.
TF数据流图
7.2.
图与TensorBoard
7.3.
会话、张量、变量OP
7.4.
案例：TensorFlow实现线性回归
7.5.
TFAPI使用2.0建议
7.6.
tf.estimator入门
7.7.
总结
7.8.
每日作业
8.
神经网络(NN)
8.1.
神经网络基础
8.2.
神经网络原理
8.3.
案例：神经网络分类
8.4.
word2vec原理
8.5.
案例：DNN文本多分类
8.6.
总结
8.7.
每日作业
9.
黑马头条排序模型进阶
9.1.
TFRecords与黑马训练数据存储
9.2.
深度学习与排序模型发展
9.3.
分桶与特征交叉
9.4.
黑马排序模型进阶-FTRL on Tensorflow
9.5.
黑马排序模型进阶-Wide&Deep
9.6.
WDL模型导出
9.7.
TensorFlow Serving模型部署
9.8.
排序模型在线测试
9.9.
总结
9.10.
每日作业
Published with GitBook
黑马头条推荐系统项目课程定位、目标
离线用户画像更新与召回排序计算