手把手带你搭建推荐系统资源简介：
在这门课程中，我希望给你展现的不仅仅包括推荐算法，还包含了一整套推荐系统的工程化方案，也就是算法和工程双管齐下，让你在一个循序渐进的过程里，扎实走好每一步。因为在真实的生产实践当中，你不是一个人在战斗，你要和你的上下游一起去做一套完整的系统，要关注推荐系统算法对整个工程的影响。
在我们推荐系统的搭建过程中，一个特点是环环相扣。所谓环环相扣，就是指我们在前面所做的工作，一定会被后面所用到。比如，我们爬取的数据会被我们做成数据集，数据集会做成内容画像。而内容画像会用在召回算法中，并产生召回集。产生的召回集又会进入到排序算法，根据用户画像的内容，生成用户对应的推荐列表，然后再根据推荐系统的需要，对排序后的内容进行重排序。
课程目录
开篇词｜从企业级项目开始，进阶推荐系统.mp3
开篇词｜从企业级项目开始，进阶推荐系统.pdf
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？.mp3
01｜推荐系统：我们应该怎样学习推荐系统？.pdf
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？.mp3
02｜Netflix推荐系统：企业级的推荐系统架构是怎样的？.pdf
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？.mp3
03｜数据处理：我们应该如何获取和处理数据？.pdf
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？.mp3
04｜MongoDB：如何安装和使用MongoDB数据库？.pdf
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？.mp3
05｜Redis：如何安装和使用Redis数据库？.pdf
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？.mp3
06｜网络爬虫：爬取一个网站的流程是怎样的？.pdf
07｜数据获取：什么是Scrapy框架？.md
07｜数据获取：什么是Scrapy框架？.mp3
07｜数据获取：什么是Scrapy框架？.pdf
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？.mp3
08｜数据获取：如何使用Scrapy框架爬取新闻数据？.pdf
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？.mp3
09｜数据存储：如何将爬取到的数据存入数据库中？.pdf
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？.mp3
10｜数据加工：如何将原始数据做成内容画像？.pdf
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？.mp3
11｜基于规则的召回：如何使用规则找到用户的兴趣点？.pdf
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？.mp3
12｜基于热度的召回：如何使用热门内容来吸引用户？.pdf
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？.mp3
13｜基于关键词的召回：如何使用关键词吸引用户？.pdf
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.mp3
14｜基于Flask的推荐服务：搭建基础的Flask服务.pdf
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？.mp3
15｜基于Flask的推荐服务：如何把召回集推荐出去？.pdf
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？.mp3
16｜基础用户画像：如何用好用户的注册信息？.pdf
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？.mp3
17｜推荐系统前端：如何用一个界面展示我们的成果？.pdf
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？.mp3
18｜一个简单的推荐服务闭环包括哪些模块？.pdf
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.mp3
19｜协同过滤：召回算法中永远不落幕的经典.pdf
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.mp3
20｜Embedding：深入挖掘用户底层特征.pdf
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）.mp3
21｜YouTubeDNN：召回算法的后起之秀（上）.pdf
22｜YouTubeDNN：召回算法的后起之秀（下）.md
22｜YouTubeDNN：召回算法的后起之秀（下）.mp3
22｜YouTubeDNN：召回算法的后起之秀（下）.pdf
23｜流程串联：数据处理和协同过滤串联进行内容推荐.md
23｜流程串联：数据处理和协同过滤串联进行内容推荐.mp3
23｜流程串联：数据处理和协同过滤串联进行内容推荐.pdf
24｜GBDT+LR：排序算法经典中的经典.md
24｜GBDT+LR：排序算法经典中的经典.mp3
24｜GBDT+LR：排序算法经典中的经典.pdf
25｜DeepFM：如何使用深度学习技术给数据排序？.md
25｜DeepFM：如何使用深度学习技术给数据排序？.mp3
25｜DeepFM：如何使用深度学习技术给数据排序？.pdf
26｜重排序：如何对排序后的内容进行微调？.md
26｜重排序：如何对排序后的内容进行微调？.mp3
26｜重排序：如何对排序后的内容进行微调？.pdf
27｜部署：如何在Linux上配合定时任务部署推荐系统服务？.md
27｜部署：如何在Linux上配合定时任务部署推荐系统服务？.mp3
27｜部署：如何在Linux上配合定时任务部署推荐系统服务？.pdf
28｜珠联璧合：Kafka与推荐服务的联动.md
28｜珠联璧合：Kafka与推荐服务的联动.mp3
28｜珠联璧合：Kafka与推荐服务的联动.pdf
29｜推荐系统的工程化策略及服务部署策略.md
29｜推荐系统的工程化策略及服务部署策略.mp3
29｜推荐系统的工程化策略及服务部署策略.pdf
30｜推荐系统的后处理及日志回采.md
30｜推荐系统的后处理及日志回采.mp3
30｜推荐系统的后处理及日志回采.pdf
结束语｜如何成为企业中不可或缺的推荐系统工程师？.md
结束语｜如何成为企业中不可或缺的推荐系统工程师？.mp3
结束语｜如何成为企业中不可或缺的推荐系统工程师？.pdf
