FunRec

FunRec推荐系统项目主要分为三个阶段，分别是推荐系统基础、推荐系统进阶和推荐系统应用，每个阶段的具体内容如下：

• 推荐系统基础，这部分内容旨在让初学者了解推荐系统是什么，有哪些经典的推荐算法以及经典算法的实现，这一部分也是推荐系统非常核心的部分。对于基础部分，已经完成了基础推荐算法，接下来是完成深度学习推荐相关的算法模型。
• 推荐系统进阶，这部分内容是在了解了推荐系统基础之后，在架构层面去了解推荐系统如何实现的，这里的内容会参考王喆老师的《深度学习推荐系统》这本书及SparrowRecSys开源项目，搭建一个完整的推荐系统框架。目前打算是基于最新的MIND数据集搭建一个新闻推荐的项目，在进阶部分除了推荐系统框架以外还有一个关于竞赛的实践内容，这部分内容是一个比较完整的推荐系竞赛入门的教程，将推荐系统中的召回和排序连在一起可以作为进阶部门的基础。
• 推荐系统应用，这一部分是基于基础和进阶之上，在推荐系统细分领域上做的内容，例如信息流推荐、视频推荐、音乐推荐等。这一部分需要一些对这些细分领域比较熟悉的人来协助共同完成，如果对这部分内容的贡献感兴趣的可以联系我们，一起来完善这个项目。

项目在Datawhale的组队学习过程中不断的迭代和优化，通过大家的反馈来修正或者补充相关的内容，如果项目对项目内容设计有更好的意见欢迎给我们反馈。

内容目录

• 第一章 推荐系统基础

  • 1.1 基础推荐算法
    • [x] 1.1.1 推荐系统概述
    • [x] 1.1.2 协同过滤
    • [x] 1.1.3 矩阵分解
    • [x] 1.1.4 FM
    • [x] 1.1.5 GBDT+LR
  • 1.2 基于深度组合的深度推荐算法
    • [x] 深度学习模型搭建基础
    • [x] 1.2.1 NeuralCF
    • [x] 1.2.2 Deep Crossing
    • [x] 1.2.3 PNN
    • [x] 1.2.3 Wide&Deep
    • [x] 1.2.4 DeepFM
    • [x] 1.2.5 Deep&Cross
    • [x] 1.2.6 NFM
  • 1.3 深度推荐算法前沿
    • [x] 1.3.1 AFM
    • [x] 1.3.2 DIN
    • [x] 1.3.3 DIEN
    • [ ] ...

• 第二章 推荐系统进阶

  • 2.1 竞赛实践(天池入门赛-新闻推荐)
    • [x] 2.1.1 赛题理解
    • [x] 2.1.2 Baseline
    • [x] 2.1.3 数据分析
    • [x] 2.1.4 多路召回
    • [x] 2.1.5 特征工程
    • [x] 2.1.6 排序模型
    • [x] 2.1.7 模型集成
  • 2.2推荐系统架构
    • [ ] 2.2.1 基础架构
    • [ ] 2.2.2 数据处理
    • [ ] 2.2.3 特征工程
    • [ ] 2.2.4 多路召回
    • [ ] 2.2.5 排序模型
    • [ ] 2.2.6 模型评估
    • [ ] 2.2.7 线上服务
  • 2.3 新闻推荐架构实践
    • [ ] 计划中...

• 第三章 推荐系统应用

  • [ ] 信息流推荐

  • [ ] 视频推荐

  • [ ] 音乐推荐

  • [ ] 广告推荐

    ......

致谢(贡献者)

内容设计

内容审核

组队运营

电子书排版、证书制作

如何加入我们

由于本项目还处于比较初期的阶段，目前主要是Datawhale推荐小组中的成员在推进这个项目，为了提高项目的质量，也非常希望对该项目感兴趣的小伙伴加入我们一起完善这个项目，如果对这个项目感兴趣的可以通过Datawhale公众号联系到我们。

关于Datawhale

Datawhale是一个专注于数据科学与AI领域的开源组织，汇集了众多领域院校和知名企业的优秀学习者，聚合了一群有开源精神和探索精神的团队成员。Datawhale 以“for the learner，和学习者一起成长”为愿景，鼓励真实地展现自我、开放包容、互信互助、敢于试错和勇于担当。同时 Datawhale 用开源的理念去探索开源内容、开源学习和开源方案，赋能人才培养，助力人才成长，建立起人与人，人与知识，人与企业和人与未来的联结。 本次数据挖掘路径学习，专题知识将在天池分享，详情可关注Datawhale(二维码在上面)