跳转至

推荐系统专项

⚠️ 时效性说明：本章涉及前沿模型/价格/榜单等信息，可能随版本快速变化；请以论文原文、官方发布页和 API 文档为准。

📚 课程简介

本课程为清华大学计算机技术专业专硕及985 AI专业本科生量身定制,提供系统性的推荐系统学习路径。目标是帮助你在16-20周内掌握推荐系统的核心理论和工程实践能力,为进入字节跳动、腾讯、阿里巴巴、百度、大疆、影石等互联网大厂做好准备。

🎯 学习目标

短期目标(1-3个月)

  • 掌握推荐系统基础理论和核心算法
  • 能够实现协同过滤、矩阵分解等经典算法
  • 完成2-3个小型实战项目

中期目标(3-6个月)

  • 深入理解深度学习推荐系统
  • 能够独立设计和实现推荐系统
  • 完成1-2个中型实战项目

长期目标(6个月+)

  • 掌握推荐系统前沿技术
  • 具备解决复杂推荐问题的能力
  • 完成1个大型实战项目
  • 通过大厂面试

📖 课程内容

基础阶段(第1-3周)

  1. 00-学习指南.md - 详细学习计划
  2. 01-推荐系统概述.md - 推荐系统基本概念
  3. 02-用户行为分析.md - 用户行为数据采集与分析
  4. 03-协同过滤算法.md - User-based和Item-based CF

核心算法阶段(第4-8周)

  1. 04-基于内容的推荐.md - 内容特征与推荐
  2. 05-矩阵分解技术.md - SVD和ALS算法
  3. 06-深度学习推荐.md - Wide&Deep、DeepFM
  4. 07-序列推荐算法.md - RNN、LSTM、Transformer
  5. 08-多任务学习推荐.md - MMoE、PLE

系统实现阶段(第9-12周)

  1. 09-召回算法.md - 双塔模型、ANN检索
  2. 10-排序算法.md - LR、GBDT、深度排序
  3. 11-在线学习.md - FTRL算法
  4. 12-冷启动问题.md - 用户和物品冷启动

高级应用阶段(第13-15周)

  1. 13-推荐系统评估.md - 离线与在线评估
  2. 14-大规模推荐系统.md - 分布式训练、实时计算
  3. 15-推荐系统架构设计.md - 完整架构设计

前沿技术阶段(第16-17周)

  1. 16-LLM与推荐系统.md - LLM驱动的推荐范式、Instruction Tuning、对话式推荐Agent
  2. 17-现代推荐系统架构.md - 生成式推荐、扩散模型推荐、推荐Agent、公平性与隐私
  3. 18-多兴趣召回与因果推荐.md - MIND/ComiRec/SINE多兴趣召回、IPS/DR因果推断去偏
  4. 19-图神经网络推荐.md - GCN/LightGCN/PinSage、知识图谱推荐KGAT、图对比学习SGL/SimGCL
  5. 20-强化学习与Bandit推荐.md - ε-Greedy/UCB/Thompson Sampling、LinUCB、DQN推荐、策略梯度
  6. 21-粗排与长序列建模.md - 双塔粗排蒸馏、COLD、SIM/ETA/SDIM长序列用户建模

实战项目阶段(第18-22周)

实战项目/ - 3个完整实战项目 - 项目1:电商推荐系统 - 项目2:短视频推荐系统 - 项目3:新闻推荐系统

面试准备阶段(第23-26周)

面试准备/ - 全面面试准备 - 算法题库 - 系统设计题 - 项目经验准备 - 行为面试准备 - 大厂面试题

🛠️ 技术栈

编程语言

  • Python 3.10+
  • Java(可选)

深度学习框架

  • PyTorch
  • TensorFlow(可选)

数据处理

  • NumPy
  • Pandas
  • Spark

数据存储

  • Redis
  • HBase
  • Elasticsearch
  • MySQL

消息队列

  • Kafka
  • Pulsar

计算框架

  • Spark
  • Flink

📊 学习路径

Text Only
基础理论 → 核心算法 → 系统实现 → 高级应用 → 实战项目 → 面试准备

🎓 学习资源

在线课程

  1. Recommender Systems - University of Minnesota
  2. Deep Learning for Recommender Systems - Coursera
  3. 推荐系统实战 - 极客时间

书籍

  1. 《Recommender Systems Handbook》
  2. 《推荐系统实践》- 项亮
  3. 《深度学习推荐系统》- 王喆

开源项目

  1. TensorFlow Recommenders
  2. PyTorch Geometric
  3. LightFM
  4. Surprise

数据集

  1. MovieLens
  2. Amazon Reviews
  3. Yelp Dataset
  4. Netflix Prize

💡 学习建议

  1. 理论实践结合:学完理论立即实践
  2. 循序渐进:从简单到复杂逐步学习
  3. 多做项目:通过项目巩固知识
  4. 关注前沿:阅读最新论文和博客
  5. 准备面试:边学习边准备面试

🚀 开始学习

第一步:阅读00-学习指南.md

第二步:从第1章开始系统学习

第三步:完成实战项目

第四步:准备面试

📞 联系方式

如有问题,请通过以下方式联系: - 提交Issue - 加入学习群 - 联系导师

📄 许可证

本课程内容仅供学习使用,请勿用于商业用途。

祝你学习顺利,早日实现大厂梦想! 💪

最后更新日期：2026-02-12 适用版本：推荐系统教程 v2026