fun-rec/docs/_sidebar.md

• 目录
  • 第一章 推荐系统概述
    • 1.1 推荐系统的意义
    • 1.2 推荐系统架构
    • 1.3 推荐系统技术栈
  • 第二章 推荐系统算法基础
    • 2.1 经典召回模型
      • 2.1.1 基于协同过滤的召回
        • UserCF
        • ItemCF
        • Swing(Graph-based)
        • 矩阵分解系列(ALS,SVD++)
      • 2.1.2 基于向量的召回
        • FM召回
        • item2vec召回
          • word2vec原理
          • Airbnb召回
        • YoutubeDNN召回
        • 双塔召回
          • 经典双塔
          • Youtube双塔
          • MOBIUS
      • 2.1.3 基于图的召回
        • EGES
        • PinSAGE
      • 2.1.4 基于序列的召回
        • MIND
        • SDM
      • 2.1.5 基于树模型的召回
        • TDM
    • 2.2 经典排序模型
      • 2.2.1 GBDT+LR
      • 2.2.2 特征交叉
        • FM
        • PNN
        • DCN
        • AutoInt
        • FiBiNet
      • 2.2.3 Wide&Deep系列
        • Wide&Deep
        • 改进Deep侧
          • NFM
          • AFM
        • 改进Wide侧
          • DeepFM
          • xDeepFM
      • 2.2.4 序列模型
        • DIN
        • DIEN
        • DISN
        • BST
      • 2.2.5 多任务学习
        • SharedBottom
        • ESSM
        • MMOE
        • PLE
  • 第三章 推荐系统实战
    • 3.1 竞赛实践(天池入门赛-新闻推荐)
      • 3.1.1 赛题理解&Baseline
      • 3.1.2 数据分析
      • 3.1.3 多路召回
      • 3.1.4 特征工程
      • 3.1.5 排序模型&模型融合
    • 3.2 新闻推荐系统的实践
      • 3.2.1 离线物料系统的构建
        • Mysql
        • MongoDB
        • Redis
        • Scrapy
        • 自动化构建用户及物料画像
      • 3.2.2 前后端基础及交互
        • 前端基础及Vue实战
        • flask简介及基础
        • 前后端交互
      • 3.2.3 推荐系统流程的构建
      • 3.2.4 召回
        • 热度召回
        • 地域召回
        • YouTubeDNN召回
        • DSSM召回
      • 3.2.5 DeepFM排序
      • 3.2.6 规则与重排
      • 3.2.7 任务调度与监控
      • 3.2.8 当前问题汇总
        • 熟悉推荐系统基本流程问答整理
        • 数据库的基本使用问答整理
        • 离线物料系统的构建问答整理
  • 第四章 推荐系统算法面经
    • 4.1 ML与DL基础
    • 4.2 推荐模型相关
    • 4.3 热门技术相关
    • 4.4 业务场景相关
    • 4.5 HR及其他