你的位置: 首页  >  推荐
推荐系统的构建:从经典到深度学习方法
发布时间:20-11-22

  • 最新
  • 精选
  • 区块链
  • 汽车
  • 创意科技
  • 媒体达人
  • 电影音乐
  • 娱乐休闲
  • 生活旅行
  • 学习工具
  • 历史读书
  • 金融理财
  • 美食菜谱

推荐系统的构建:从经典到深度学习方法

PaperWeekly PaperWeekly 2020-08-18


推荐系统是人工智能、机器学习与大数据最为直接的前沿应用,是与日常生产和生活结合最紧密的智能系统。
近十年来,越来越多的推荐系统部署在电子商务、在线社交、搜索引擎、人机交互等各个互联网领域。同时,在金融、医疗、物流供应等传统领域,结合相关领域知识定制化的智能推荐系统也正在崛起。
>>图片来自「智能推荐系统入门与提高」课件
越来越多的企业把推荐系统作为开展业务的核心支持系统,其中包括国内外众所周知的企业如阿里巴巴(Alibaba)、百度(Baidu)、腾讯(Tencent)、Amazon、Facebook、Twitter、Google等。

因此,市场对构建智能推荐系统高级人才需求日益增大。然而,国内鲜有高校开设推荐系统的相关课程。虽然现在也有一些在线课程,但是很多课程为了迎合转行从业者以及科研项目的需求,在课程设置中更加偏重于实践操作,往往忽视理论层面系统完整的知识体系。

最终导致学习者做出来的推荐系统无法很好地贴合用户需求,效果很差,但是面对底层逻辑又无法进行合理的理论分析与修改,举步维艰!

为了完备自己的理论知识体系,更多的伙伴会倾向于选择阅读相关书籍和上网查阅资料的方法。虽然书籍相比于博文、经验贴的知识更加系统,但是实践结果预期与实际总会大相径庭,又很难通过查阅资料发现并解决其中的问题。

>>文末有福利彩蛋

要有系统完备的知识体系,最高效的方法是有深耕该领域的老师指导,同时结合实践,从而帮助我们夯实基础、提升实践能力,快速入门,高效提升能力。

基于以上,深蓝学院诚邀悉尼科技大学的胡亮与汪守金两位博士,共同打磨推出了『智能推荐系统入门与提高』课程,并且操龙兵曹建两位教授也对课程的制作提供了指导建议。

课程整体采用由浅入深的教学方式,从构建基本的经典推荐系统入手,逐步过渡到基于深度学习、图网络的更为复杂的推荐系统的搭建,深入理解不同推荐系统的优缺点。

胡亮、汪守金两位博士在课程中,会在答疑群中与大家交流,并帮助每一位学员解决学习中遇到的问题。除此之外,课程每章都有作业安排,更好巩固课程所学内容。并且会有专属的助教,为学员的作业进行反复多次的批改反馈,帮助大家在每一次作业实践中学习、成长!



讲师团队




胡亮/讲师
上海交通大学-悉尼科技大学双博士
研究领域:推荐系统、机器学习、数据科学等
在WWW,IJCAI,AAAI,ICDM,ICWS,TOIS,IEEE-IS等刊物发表论文30余篇,提出的推荐系统模型和算法,已经被诸多国内外项目采用,包括三星、摩根士丹利、携程、澳大利亚税务局、澳大利亚专利局等。
 
汪守金/讲师
悉尼科技大学客座研究员
悉尼科技大学数据科学与人工智能方向博士
主要研究方向:数据科学、机器学习、用户行为分析、时间序列数据分析与推荐系统。
在国际知名会议期刊IJCAI, AAAI, TNNLS, TII, TSMC-Systems上发表高水平文章20余篇,其中单篇被引超过140次。



课程大纲



>>点击图片,查看大图     




项目实践



• 使用Python基本模块构建经典推荐系统

o 基于用户和物品属性的线性回归模型进行物品评分预测
o 基于用户和物品属性的Logistic回归模型进行物品点击预测
o 基于用户和物品属性的Softmax回归模型进行物品排序推荐
• 使用Numpy、Pandas、Scikit-learn等Python库进行推荐性能评估
o 使用Numpy, Pandas等计算推荐结果的精度,多样性,新颖性等指标

• 使用深度学习库(以Keras为例)构建深度推荐模型

o 使用Keras构建基于用户和物品属性的Neural Regression Recommendation Models,Neural Matrix Factorization,Neural Factorization Machines

o 使用Keras构建基于用户交易记录和会话数据的Recurrent Neural Networks, Convolutional Neural Networks, Graph Neural Networks等神经网络模型


抢占优惠名额

现在报名,即可优惠100元

不要轻易错过机会

备注“817”,会优先通过哦~

▲ 立即扫码咨询
还有疑问?
赶快添加「叶子」,获取专业解答!





福利时间



推荐系统引用量Top 50论文集

单篇论文引用量均高达1000+

微信扫码,备注“52论文”,免费领取

    阅读原文

    前往看一看

    看一看入口已关闭

    在“设置”-“通用”-“发现页管理”打开“看一看”入口

    我知道了

    已发送

    发送到看一看

    发送中

    微信扫一扫
    使用小程序

    取消 允许

    取消 允许

    微信版本过低

    当前微信版本不支持该功能,请升级至最新版本。

    我知道了 前往更新

    确定删除回复吗?

    取消 删除

      知道了

      长按识别前往小程序

      本站仅按申请收录文章,版权归原作者所有
      如若侵权,请联系本站删除

      微信QQ空间新浪微博腾讯微博人人Twitter豆瓣百度贴吧

      觉得不错,分享给更多人看到

      PaperWeekly 热门文章:

      综述 | 知识图谱研究进展    阅读/点赞 : 8410/41

      总结 | 2016年最值得读的自然语言处理领域Paper    阅读/点赞 : 5113/29

      PaperWeekly 第29期 | 你的Emoji不一定是我的Emoji    阅读/点赞 : 1931/24

      新年新服务    阅读/点赞 : 1714/59

      数据开放 | PaperWeekly交流群对话数据    阅读/点赞 : 1680/35

      直播预告 | PaperWeekly Talk 第3期    阅读/点赞 : 1606/21

      用微信控制深度学习训练的Keras插件 - #Geek Time    阅读/点赞 : 1527/32

      PaperWeekly近期计划    阅读/点赞 : 1437/30

      PaperWeekly十期总结    阅读/点赞 : 578/31

      paperweekly 到底是什么?    阅读/点赞 : 420/31

      PaperWeekly 微信二维码

      PaperWeekly 微信二维码

      PaperWeekly 最新文章

      推荐系统的构建:从经典到深度学习方法  2020-08-18

      微软2021校园招聘正式启动  2020-08-18

      是否要入坑强化学习,看了这篇文章再说  2020-08-17

      经典对抗攻击Deepfool原理详解与代码解读  2020-08-17

      3个可以写进简历的京东NLP项目实战  2020-08-15

      ACL 2020 | 基于不同硬件搜索更好的Transformer结构  2020-08-15

      如何跳出魔改模型?  2020-08-14

      总奖金近9万!视频超分辨率大赛等你来战!  2020-08-14

      知识库问答的复杂问题研究回顾  2020-08-13

      ECCV 2020 Spotlight | 图像定位上的细粒化区域相似性自监督  2020-08-13

      (adsbygoogle = window.adsbygoogle || []).push({});

      (function(){ var bp = document.createElement('script'); var curProtocol = window.location.protocol.split(':')[0]; if (curProtocol === 'https') { bp.src = 'https://zz.bdstatic.com/linksubmit/push.js'; } else { bp.src = 'http://push.zhanzhang.baidu.com/push.js'; } var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(bp, s); })(); (function(){ var src = (document.location.protocol == "http:") ? "http://js.passport.qihucdn.com/11.0.1.js?ba34c9f41d18b62312e960833b3cb4ae":"https://jspassport.ssl.qhimg.com/11.0.1.js?ba34c9f41d18b62312e960833b3cb4ae"; document.write(''); })();