NewBeeNLP 转眼就开工了，7 天的假期，刷刷抖音，说走就走了。
说到抖音，就不得不提它的推荐系统，太 NB 了。刷了啥，立刻记住你的偏好，推荐相似内容，一不小心 2 小时就过去了，让人欲罢不能，要么日活 6 亿呢。
其实“推荐系统”从没像现在这样，影响着我们的生活。除了抖音、快手这类短视频，还有网购时，天猫、京东会为你推荐商品；想看看资讯，头条、知乎会为你准备感兴趣的新闻等等。
而驱动这些巨头进行推荐服务的，都是基于深度学习的推荐模型。
想起 2019 年阿里的千人千面系统，促成了天猫“双 11” 2684 亿成交额。假设通过改进商品推荐功能，使平台整体的转化率提升 1%，就能在 2684 亿成交额的基础上，再增加 26.84 亿。这就是推荐工程师的最牛的地方，也是为啥人能拿百万年薪的原因。
但在一个成熟的推荐系统上，找到提升的突破点并不容易——不能满足于协同过滤、矩阵分解这类传统方法，而要建立起完整的“深度学习推荐系统”知识体系，加深对深度学习模型的理解，以及大数据平台的熟悉程度，才能实现整体效果上的优化。
所以春节假期除了刷抖音，我又重新看了看《深度学习推荐系统》这个专栏，2 刷有不少新的启发。作者王喆，Roku 推荐系统架构负责人，也是咱圈里的大佬，一直深耕在推荐系统、计算广告领域，经验非常丰富。他之前出过同名的书，豆瓣评分 9.3，相当高。
当年我看书的时候，就感觉实践太少，偏模型原理。所以在听说王喆开了个实践专栏时，第一时间就订阅了，跟着学下来，受益匪浅。让我完整地把推荐系统的原理捋了一遍。下面王喆总结的「核心知识图谱」，建议收藏。
最重要的是，实操性特别强。王喆特地为了这个专栏，开发了一个开源项目「 SparrowRecsys」，能让你亲手尝试，搭建一套完整的深度学习推荐系统（下面有详细介绍，贼有意思）。可以说是书的实践版本，里面加入了更多技术细节的实现和讨论。
毫不夸张的说，这个专栏让我对深度学习推荐系统的认知，提升到了一个新高度，所以很想把它推荐给你。最近这个专栏要涨价到 ￥129 了，现在到手仅 ￥69 ，一定别错过了，扫码免费试读
![[爱了]](/js/img/d1.gif)
![[尴尬]](/js/img/d16.gif)