推荐系统从入门到精通，本项目全面介绍了工业级推荐系统的理论知识（王树森推荐系统公开课-基于小红书的场景讲解工业界真实的推荐系统），如何基于TensorFlow2训练模型，如何实现高性能、高并发、高可用的Golang推理微服务。以及一些Sklean和TensorFlow编程基础知识。Comprehensively introduced the theory of industrial recommender system base on deep learning, how to trainning models based on TensorFlow2, how to implement the high-performance、high-concurrency and high-available inference services base on Golang.
注意：第一部分的理论知识在本仓库，第二、三、四部分的代码在其他仓库，点击链接即可跳转。
如果通过Github站内超链接打开Jupyter Notebook文件发生错误，可以点击根据 https://nbviewer.org 生成的“备用链接”间接访问对应文件。
或者通过以下链接访问整个项目的站外备用链接，注意点击站外备用链接里的非Jupyter Notebook格式文件会跳转回到Github仓库内：
● Recommender_System
王树森推荐系统公开课 - 基于小红书的场景讲解工业界真实的推荐系统，读书笔记。
● 推荐系统的链路 (备用链接)]
● AB测试 (备用链接)
● 基于物品的协同过滤（ItemCF） (备用链接)
● Swing召回通道 (备用链接)
● 基于用户的协同过滤（UserCF） (备用链接)
● 离散特征处理 (备用链接)
● 矩阵补充 (备用链接)
● 双塔模型：模型和训练 (备用链接)
● 双塔模型：正负样本 (备用链接)
● 双塔模型：线上召回和更新 (备用链接)
● 双塔模型+自监督学习 (备用链接)
● Deep Retrieval召回 (备用链接)
● 其他召回通道 (备用链接)
● 曝光过滤和Bloom Filter (备用链接)
● 多目标排序模型 (备用链接)
● MMoE (备用链接)
● 预估分数融合 (备用链接)
● 视频播放建模 (备用链接)
● 排序模型的特征 (备用链接)
● 粗排模型 (备用链接)
● 因子分解机FM (备用链接)
● 深度交叉网络DCN (备用链接)
● LHUC网络结构 (备用链接)
● SENet Bilinear Cross (备用链接)
● 用户行为序列建模 (备用链接)
● DIN模型（注意力机制） (备用链接)
● SIM模型（长序列建模） (备用链接)
● 物品相似性的度量、提升多样性的方法 (备用链接)
● MMR多样性算法 (备用链接)
● 业务规则约束下的多样性算法 (备用链接)
● DPP多样性算法（上） (备用链接)
● DPP多样性算法（下） (备用链接)
● 优化目标&评价指标 (备用链接)
● 简单的召回通道 (备用链接)
● 聚类召回 (备用链接)
● Look-Alike召回 (备用链接)
● 流量调控 (备用链接)
● 冷启动的AB测试 (备用链接)
● 概述 (备用链接)
● 召回 (备用链接)
● 排序 (备用链接)
● 多样性 (备用链接)
● 特征用户人群 (备用链接)
● 交互行为（关注、转发和评论） (备用链接)
以"DNN_for_YouTube_Recommendations"模型和电影评分数据集（ml-1m）为基础，详尽的展示了如何基于TensorFlow2实现推荐系统排序模型。
● YouTube深度排序模型(多值embedding、多目标学习)
基于Goalng、Docker和微服务思想实现了高并发、高性能和高可用的推荐系统推理微服务，包括多种召回/排序服务，并提供多种接口访问方式（REST、gRPC和Dubbo）等，每日可处理上千万次推理请求。
● 推荐系统推理微服务Golang