# team-learning-rs **Repository Path**: qdufrankliu/team-learning-rs ## Basic Information - **Project Name**: team-learning-rs - **Description**: No description available - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2021-01-18 - **Last Updated**: 2021-01-18 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README ## 动手学习推荐系统 (Dive-into-RS) 本项目《动手学习推荐系统》是Datawhale推荐系统小组近期推动的一个重点项目，受李沐老师的[《动手学深度学习》](https://zh.d2l.ai/)及Datawhale CV小组发起的[《动手学CV-Pytorch版》](https://github.com/datawhalechina/dive-into-cv-pytorch)，我们旨在构建一个动手学推荐系统的项目，项目中的每个小节的内容都会详细的代码实现，帮助学习入门推荐系统的人可以更加直观的理解算法和模型。 **内容设计上主要分为三个阶段，分别是推荐系统基础、推荐系统进阶和推荐系统应用。** - 推荐系统基础，这部分内容旨在让初学者了解推荐系统是什么，有哪些经典的推荐算法以及经典算法的实现，这一部分也是推荐系统非常核心的部分。对于基础部分，已经完成了基础推荐算法，接下来是完成深度学习推荐相关的算法模型。 - 推荐系统进阶，这部分内容是在了解了推荐系统基础之后，在架构层面去了解推荐系统如何实现的，这里的内容会参考王喆老师的[《深度学习推荐系统》](https://book.douban.com/subject/35013197/)这本书及[SparrowRecSys](https://github.com/wzhe06/SparrowRecSys)开源项目，搭建一个完整的推荐系统框架。目前打算是基于最新的MIND数据集搭建一个新闻推荐的项目，在进阶部分除了推荐系统框架以外还有一个关于竞赛的实践内容，这部分内容是一个比较完整的推荐系竞赛入门的教程，将推荐系统中的召回和排序连在一起可以作为进阶部门的基础。 - 推荐系统应用，这一部分是基于基础和进阶之上，在推荐系统细分领域上做的内容，例如信息流推荐、视频推荐、音乐推荐等。这一部分需要一些对这些细分领域比较熟悉的人来协助共同完成，如果对这部分内容的贡献感兴趣的可以联系我们，一起来完善这个项目。 ## 内容目录 - [第一章 推荐系统基础](https://github.com/datawhalechina/team-learning-rs/tree/master/RecommendationSystemFundamentals) - 1.1 基础推荐算法 - [x] [1.1.1 推荐系统概述](https://github.com/datawhalechina/team-learning-rs/blob/master/RecommendationSystemFundamentals/01%20%E6%A6%82%E8%BF%B0.md) - [x] [1.1.2 协同过滤](https://github.com/datawhalechina/team-learning-rs/blob/master/RecommendationSystemFundamentals/02%20%E5%8D%8F%E5%90%8C%E8%BF%87%E6%BB%A4.md) - [x] [1.1.3 矩阵分解](https://github.com/datawhalechina/team-learning-rs/blob/master/RecommendationSystemFundamentals/03%20%E7%9F%A9%E9%98%B5%E5%88%86%E8%A7%A3.md) - [x] [1.1.4 FM](https://github.com/datawhalechina/team-learning-rs/blob/master/RecommendationSystemFundamentals/04%20FM.md) - [x] [1.1.5 GBDT+LR](https://github.com/datawhalechina/team-learning-rs/blob/master/RecommendationSystemFundamentals/06%20GBDT%2BLR.md) - 1.2 基于深度组合的深度推荐算法 - [ ] 1.2.1 NeuralCF - [ ] 1.2.2 Deep Crossing - [ ] 1.2.3 PNN - [x] [1.2.3 Wide&Deep](https://github.com/datawhalechina/team-learning-rs/blob/master/RecommendationSystemFundamentals/05%20Wide%26Deep.md) - [ ] 1.2.4 DeepFM - [ ] 1.2.5 Deep&Cross - [ ] 1.2.6 NFM - 1.3 深度推荐算法前沿 - [ ] 1.3.1 AFM - [ ] 1.3.2 DIN - [ ] 1.3.3 DIEN - [ ] 1.3.4 DRN - [ ] ... - 第二章 推荐系统进阶 - 2.1 推荐系统架构 - [ ] 2.1.1 基础架构 - [ ] 2.1.2 数据处理 - [ ] 2.1.3 特征工程 - [ ] 2.1.4 多路召回 - [ ] 2.1.5 排序模型 - [ ] 2.1.6 模型评估 - [ ] 2.1.7 线上服务 - 2.2 [竞赛实践(天池入门赛-新闻推荐)](https://github.com/datawhalechina/team-learning-rs/tree/master/RecommandNews) - [x] [2.2.1 赛题理解](https://github.com/datawhalechina/team-learning-rs/blob/master/RecommandNews/%E8%B5%9B%E9%A2%98%E7%90%86%E8%A7%A3%2BBaseline.ipynb) - [x] [2.2.2 Baseline](https://github.com/datawhalechina/team-learning-rs/blob/master/RecommandNews/%E8%B5%9B%E9%A2%98%E7%90%86%E8%A7%A3%2BBaseline.ipynb) - [x] [2.2.3 数据分析](https://github.com/datawhalechina/team-learning-rs/blob/master/RecommandNews/%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90.ipynb) - [x] [2.2.4 多路召回](https://github.com/datawhalechina/team-learning-rs/blob/master/RecommandNews/%E5%A4%9A%E8%B7%AF%E5%8F%AC%E5%9B%9E.ipynb) - [x] [2.2.5 特征工程](https://github.com/datawhalechina/team-learning-rs/blob/master/RecommandNews/%E7%89%B9%E5%BE%81%E5%B7%A5%E7%A8%8B.ipynb) - [x] [2.2.6 排序模型](https://github.com/datawhalechina/team-learning-rs/blob/master/RecommandNews/%E6%8E%92%E5%BA%8F%E6%A8%A1%E5%9E%8B%2B%E6%A8%A1%E5%9E%8B%E8%9E%8D%E5%90%88.ipynb) - [x] [2.2.7 模型集成](https://github.com/datawhalechina/team-learning-rs/blob/master/RecommandNews/%E6%8E%92%E5%BA%8F%E6%A8%A1%E5%9E%8B%2B%E6%A8%A1%E5%9E%8B%E8%9E%8D%E5%90%88.ipynb) - 2.3 新闻推荐架构实践 - [ ] 计划中... - 第三章 推荐系统应用 - [ ] 信息流推荐 - [ ] 视频推荐 - [ ] 音乐推荐 - [ ] 广告推荐 ...... ## 致谢(贡献者) ### 内容设计 | 成员 | 个人简介及贡献 | 备注 | | ------ | ------------------------------------------------------------ | -------------- | | 罗如意 | 西安电子科技大学研究生，Datawhale成员，项目负责人；1.1.2-1.1.5代码编写，参与1.1.1、1.1.3、1.1.5内容编写，参与2.2.1-2.2.7内容编写 | 第18、19期助教 | | 吴忠强 | 东北大学研究生，Datawhale成员，核心贡献者；1.1.2、1.1.4内容编写，参与2.2.2、2.2.5、2.2.6、2.2.7内容编写 | 第18、19期助教 | | 李万业 | 同济大学研究生，Datawhale成员；参与2.2.4内容编写 | 第19期助教 | | 陈琰钰 | 清华大学研究生，Datawhale成员；参与2.2.3内容编写 | 第19期助教 | | 陈锴 | 中山大学本科生，Datawhale成员；参与1.1.3、1.1.5内容编写 | 第18期助教 | | 梁家晖 | Datawhale成员，公众号：可能好玩；参与1.1.1内容编写 | 第18期助教 | | 王贺 | 算法工程师，Datawhale成员，公众号：Coggle数据科学；推荐系统实践之新闻推荐赛题设计 | | ### 内容审核 | 成员 | 个人简介及贡献 | 备注 | | ------ | --------------------------------------------------- | ---------- | | 何世福 | 推荐算法工程师，Datawhale成员，项目负责人；内容审核 | 第18期助教 | | 徐何军 | 推荐算法工程师，Datawhale成员；内容审核 | 第18期助教 | ### 组队运营 | 成员 | 个人简介及贡献 | 备注 | | ------ | -------------------------------------------- | ---- | | 刘雯静 | 第18期组队学习推荐系统基础助教 | | | 张汉隆 | 华北电力大学，第19期组队学习推荐系统实践助教 | | | 吴丹飞 | 华北电力大学，第19期组队学习推荐系统实践助教 | | ### 电子书排版、证书制作 | 成员 | 个人简介及贡献 | 备注 | | ------ | ------------------------------------------------------- | ---- | | 吕豪杰 | Datawhale成员，第18、19期内容电子书排版，证书制作与发放 | | ## 如何加入我们 由于本项目还处于比较初期的阶段，目前主要是Datawhale推荐小组中的成员在推进这个项目，为了提高项目的质量，也非常希望对该项目感兴趣的小伙伴加入我们一起完善这个项目，如果对这个项目感兴趣的可以通过Datawhale公众号联系到我们。 ![image-20201214105807029](http://ryluo.oss-cn-chengdu.aliyuncs.com/abc/image-20201214105807029.png) ## 关于Datawhale > Datawhale是一个专注于数据科学与AI领域的开源组织，汇集了众多领域院校和知名企业的优秀学习者，聚合了一群有开源精神和探索精神的团队成员。Datawhale 以“for the learner，和学习者一起成长”为愿景，鼓励真实地展现自我、开放包容、互信互助、敢于试错和勇于担当。同时 Datawhale 用开源的理念去探索开源内容、开源学习和开源方案，赋能人才培养，助力人才成长，建立起人与人，人与知识，人与企业和人与未来的联结。 本次数据挖掘路径学习，专题知识将在天池分享，详情可关注Datawhale(二维码在上面)