这门课不适合零基础。如果你还没写过召回或排序的任何一环，看这套资料会很吃力；但如果你已经在推荐系统里做过一两年，日常在调特征、跑模型、看 A/B 报表，却对一些关键问题说不清楚，那它正好补的是你缺的那块。
下面按「你现在可能卡在哪」来拆，不按章节顺序讲。
架构这块，你是否只会自己负责的那一环
做推荐的人很容易陷进自己的模块：做召回的只关心多路召回怎么并，做排序的只盯着 AUC 和特征重要度，做重排的只管打散和多样性。单点都能干活，但一旦要回答「一路召回挂了对整体有多大影响」「排序模型换掉后重排策略要不要跟着改」，就容易答不上来。
这部分要解决的是把召回、排序、重排当成一条链路来看，理解每一环的输入输出、延迟预算和它们之间的取舍关系。看完你应该能画出一张自己业务的架构图，并指出哪些位置是瓶颈。
深度学习模型：从会调到会选
双塔、序列模型、图神经网络这些名词大多人都听过，调包跑通也不难。真正难的是判断：我的场景到底该不该上序列建模，双塔的负采样该怎么设计，图结构在什么数据量下才有收益。
这部分不是把模型结构讲一遍，重点在训练与优化技巧——样本构造、负采样策略、特征交叉方式、以及模型上线后效果不及离线预期的常见原因。学完你至少能对「要不要换模型」给出有依据的判断，而不是跟风。
可以自测的几个问题
- 你的双塔模型，用户侧和物品侧的特征是怎么分的，为什么这么分？
- 序列模型引入后，线上推理延迟增加了多少，收益是否覆盖了成本？
- 图神经网络在你的数据规模下，是提升了效果还是只增加了工程复杂度？
评估与优化：离线涨了，线上为什么不涨
这大概是推荐工程师最常遇到的挫败：离线指标全面上涨，上线后核心指标纹丝不动甚至下降。原因可能是离线评估口径和线上目标不一致，可能是 A/B 实验设计有问题，也可能是特征在线上线下的处理逻辑不一致。
这部分讲离线评估、A/B 测试设计与分析、特征工程的具体做法。它的价值不在于教你算指标，而在于帮你建立一套「离线结论能不能信」的检查习惯。
工程实践：模型之外的那一半
很多算法出身的人在这里吃亏。实时数据流怎么组织，特征怎么保证线上线下一致，模型怎么部署、怎么灰度、怎么做版本回滚，高并发下服务怎么扛——这些不是算法问题，但会直接决定你的模型能不能真正产生价值。
这块内容偏工程，如果你已经有线上部署经验，可以快速过一遍查漏；如果你一直只做离线实验，建议认真看，这是从「能跑模型」到「能上线系统」的分界线。
前沿部分怎么用
前沿技术的内容更新快，看的时候不必逐条记住结论，重点看它试图解决什么问题、用了什么思路。等你手上的业务真遇到类似瓶颈时，再回头翻，比现在硬背有效得多。
整体来说，这套资料更像是一次系统性的查漏补缺：你已经有的经验不会被推翻，但那些一直含糊过去的地方，会被逼着说清楚。建议边看边对照自己的项目，凡是答不上来的地方，就是接下来要补的地方。
推荐高级小班第13期
课程详情
课程详情
课程名称：推荐高级小班第13期
适合人群
- 推荐系统工程师：有1-3年推荐系统开发经验，希望深入掌握前沿算法与工程实践的技术人员
- 数据科学家：熟悉机器学习但缺乏推荐系统实战经验，希望转型推荐领域的研究者
- 技术负责人：负责推荐系统架构设计，需要提升团队技术深度的管理者
- 研究生/博士生：计算机/数据科学相关专业，希望从事推荐系统研究的学生
核心技术模块
- 推荐系统基础架构：深入剖析工业级推荐系统的整体架构，掌握召回、排序、重排等核心组件的设计与实现
- 深度学习推荐模型：系统学习双塔模型、序列模型、图神经网络等深度学习推荐算法，掌握模型训练与优化技巧
- 推荐系统评估与优化：掌握推荐系统离线评估、A/B测试设计与分析方法，学习模型优化与特征工程技巧
- 推荐系统工程实践：学习推荐系统的实时数据流处理、模型在线部署与服务优化，掌握高并发场景下的系统设计
- 推荐系统前沿技术：追踪推荐系统领域最新研究成果（如多目标优化、因果推断、联邦学习等），掌握学术论文复现能力
课程目录
03 第一阶段 业界前沿召回算法与特征工程 01 在线视频：推荐业务、feed流产品及推荐算法策略架构解析 02 在线视频：召回算法和业界最佳实践 03 在线视频：搜索和推荐的matching技术 05 在线视频：用户建模（召回、排序都会用到） 07 在线直播：用户特征和Item特征的常用方法 08 在线视频：召回算法进阶实战 04 第二阶段 业界常用排序算法 01 在线视频：排序算法&深度学习模型 02 在线视频：Learn to Rank 04 在线视频：商品推荐方案讨论、E&&E算法以及deep learning如何作用于推荐系统中的排序 05 在线直播：CTR预估进阶实战（上） 06 在线直播：CTR预估进阶实战（下） 07 在线直播：排序算法发展趋势 05 第三阶段 在线学习与实时化计算 01 在线视频：分布式机器学习系统及其在排序模型中的应用 02 在线视频：在线学习和相关技术 04 在线视频：基于Flink和Scala的实时计算 05 在线视频：单机和分布式深度学习TensorFlow实践 06 第四阶段 推荐系统最新技术 01 在线视频：学术界最新算法在BAT的应用 02 在线视频：掌握真实业务场景下的推荐算法 03 在线视频：多目标与多任务学习 04 在线视频：推荐系统最新技术、场景、方向解析 05 在线视频：学术界最新Paper学习研究 06 在线直播：大厂落地新的技术点 07 第五阶段 整体架构介绍与环境数据准备 01 在线直播：项目1 商品购买预测的介绍与准备 02 在线直播：项目2 用户行为预测的介绍与准备 03 在线直播：项目3 腾讯广告算法大赛的介绍与准备 04 在线直播：项目4 微信视频号推荐的介绍与准备 05 在线直播：项目5 XMRec WSDM Cup 跨市场推荐系统的介绍和准备 08 第六阶段 特征工程与初步建模 01 在线直播：项目1 商品购买预测的特征工程与初步建模 02 在线直播：项目2 用户行为预测的特征工程与初步建模 03 在线直播：项目3 腾讯广告算法大赛的特征工程与初步建模 04 在线直播：项目4 微信视频号推荐的特征工程与初步建模 05 在线直播：项目5 XMRec WSDM Cup 跨市场推荐系统的特征工程与初步建模 09 第七阶段 模型的迭代与优化 01 在线直播：项目1 商品购买预测的迭代与优化 02 在线直播：项目2 用户行为预测的迭代与优化 03 在线直播：项目3 腾讯广告算法大赛的迭代与优化 04 在线直播：项目4 微信视频号推荐的迭代与优化 05 在线直播：项目5 XMRec WSDM Cup 跨市场推荐系统的迭代与优化 10 第八阶段 模型的评估与总结 01 在线直播：项目1 商品购买预测的评估与总结 02 在线直播：项目2 用户行为预测的评估与总结 03 在线直播：项目3 腾讯广告算法大赛的评估与总结 04 在线直播：项目4 微信视频号推荐的评估与总结 05 在线直播：项目5 XMRec WSDM Cup 跨市场推荐系统的评估与总结 11 第九阶段 次项目的整体流程和核心技能点 01 在线视频：文本推荐系统的特征工程与初步建模 02 在线视频：项目6 猜你喜欢场景下的推荐系统和项目7 Netflix推荐竞赛的整体流程和核心技能(一 12 第十阶段 项目总结和就业辅导 01 在线直播： 项目总结与就业辅导
