深度学习在推荐系统中的应用与发展课程简介：前往报名学习
自2016年微软提出Deep Crossing，Google提出Wide&Deep模型以来，深度学习在推荐系统领域取得了长足的发展， 注意力机制、序列模型、Graph Embedding等前沿的深度学习学术创新均在推荐系统领域大获成功，可以说时至今日，深度学习已经成为了驱动各互联网巨头推荐、广告业务的最强引擎。 希望这次报告能带你走进一线互联网公司的深度学习应用，并为有志于成为算法工程师的同学分享一些有益的职业发展经验。 报告大纲 1、深度学习推荐模型的演化体系 2、阿里巴巴推荐模型的发展过程 3、深度学习在推荐系统领域的研究热点 4、Netflix的推荐系统技术架构 5、算法工程师的职业发展道路
播放：350次，课程ID：3994603
自2016年微软提出Deep Crossing，Google提出Wide&Deep模型以来，深度学习在推荐系统领域取得了长足的发展， 注意力机制、序列模型、Graph Embedding等前沿的深度学习学术创新均在推荐系统领域大获成功，可以说时至今日，深度学习已经成为了驱动各互联网巨头推荐、广告业务的最强引擎。 希望这次报告能带你走进一线互联网公司的深度学习应用，并为有志于成为算法工程师的同学分享一些有益的职业发展经验。 报告大纲 1、深度学习推荐模型的演化体系 2、阿里巴巴推荐模型的发展过程 3、深度学习在推荐系统领域的研究热点 4、Netflix的推荐系统技术架构 5、算法工程师的职业发展道路
No list
清华大学计算机系06级，清华大学KEG实验室学术搜索引擎AMiner早期贡献者。 Roku推荐系统架构负责人，前hulu广告系统算法负责人，CTRmodel，Ad-papers 等开源项目发起人和主要贡献者，4.5k stars+。 主要研究方向为深度学习推荐系统、计算广告、个性化搜索，发表相关领域学术论文和专利10余项，《深度学习推荐系统》，《百面机器学习》等书作者。