技术文档推荐系统三十六式推荐系统三十六式00 开篇词 用知识去对抗技术不平等01 你真的需要个性化推荐系统吗_02 个性化推荐系统有哪些绕不开的经典问题？03 这些你必须应该具备的思维模式04 画鬼容易画人难：用户画像的“能”和“不能”05 从文本到用户画像有多远06 超越标签的内容推荐系统07 人以群分，你是什么人就看到什么世界08 解密“看了又看”和“买了又买”09 协同过滤中的相似度计算方法有哪些10 那些在Netflix Prize中大放异彩的推荐算法11 Facebook是怎么为十亿人互相推荐好友的12 如果关注排序效果，那么这个模型可以帮到你13 经典模型融合办法：线性模型和树模型的组合拳14 一网打尽协同过滤、矩阵分解和线性模型15 深度和宽度兼具的融合模型 Wide and Deep16 简单却有效的Bandit算法17 结合上下文信息的Bandit算法18 如何将Bandit算法与协同过滤结合使用19 深度学习在推荐系统中的应用有哪些_20 用RNN构建个性化音乐播单21 构建一个科学的排行榜体系22 实用的加权采样算法23 推荐候选池的去重策略24 典型的信息流架构是什么样的25 Netflix个性化推荐架构26 总览推荐架构和搜索、广告的关系27 巧妇难为无米之炊：数据采集关键要素28 让你的推荐系统反应更快：实时推荐29 让数据驱动落地，你需要一个实验平台30 推荐系统服务化、存储选型及API设计31 推荐系统的测试方法及常用指标介绍32 道高一尺魔高一丈：推荐系统的攻防33 和推荐系统有关的开源工具及框架介绍34 推荐系统在互联网产品商业链条中的地位35 说说信息流的前世今生36 组建推荐团队及工程师的学习路径加餐 推荐系统的参考阅读结束语 遇“荐”之后，江湖再见