《深度学习推荐系统》读后感100字
《深度学习推荐系统》是一本由王喆著作，电子工业出版社出版的平装图书，本书定价：108，页数：304，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。
《深度学习推荐系统》读后感(一)：缤纷世界，智能之眼
推荐系统的本质是为了解决营销问题。好的推荐系统比 Google Ads 广告能节省一大笔引流费用。亚马逊 40% 的产品销量来自于其推荐系统。推荐系统发展到今天已经远远超过了浅层学习的范畴，深度学习版本的推荐系统如今在网上有非常多的开源框架，很多时候已经没有必要重新进行开发。然而了解推荐系统的底层原理仍然十分重要。
2020 年的时候我的一篇基于公平性的推荐系统的论文获得了国际学术会议 ICBDT 2020 的最佳论文报告奖，高兴了好久，连被公司解聘也没有影响到我的心情。
《深度学习推荐系统》读后感(二)：与你一起构建深度学习推荐系统的知识体系
我是这本书的作者王喆，如果给这本我自己写的书打分的话，我也会打5分，因为在写作的过程中，我学到的可能比大家还多。在写作这本书的一年之中，我也毫无遗憾地，毫无保留地将我实践过的，学习过的深度学习推荐系知识分享给大家，希望能给读者带来一些收获。
这本来是一本写给我自己看的书，期望在我的职业生涯中构建出我自己的一套知识体系，并以此作为起点，让之后的知识也在其上开枝散叶。这也是我一直以来主张的学习方式，把领域知识串联起来，梳理出他们之间的演化关系，这样不仅压缩了知识的总量，也让你在工作之中能够知全局而择优。
随着深度学习在业界应用的持续深入，整个深度学习推荐系统发展的重点也从早期的“模型结构创新”的单峰模式发展到“模型结构+深度学习工程架构”的双峰模式。因此工程能力是一个算法工程师绝对不可缺少的能力，这也是我花了一半篇幅介绍深度学习推荐系统工程框架的原因。模型理论创新能力+机器学习工程能力将是构建算法工程师核心竞争力的护城河。
同行们常说这是一个时刻处在被淘汰边缘的职业，当你在谈一个流行的技术点时，它已经进入了过时的倒计时。当你coding一天回家，还是勉为其难再多看一篇paper的时候，也许你也曾和我一样觉得不如就随波逐流算了。当你苦心作出一个模型的尝试却没有效果的时候，感觉自己的工作几乎是要从零开始。
但是我还要说，这是一个充满魅力和激情的方向，它不是简单的完成一个机械式的任务，而是用你的观察，你的思考，你的智力，你的经验去实现一个个目标，当你真正突破这些目标的时候，我相信你会体会到比一道编程题AC大100倍的成就感，毫无疑问，它值得你为之付出一个长长的职业生涯。
最后，希望本书能够成为你职业生涯中的一个小小的知识节点，谢谢各位读者。
《深度学习推荐系统》读后感(三)：推荐给每一位刚从事算法工作的同学
趁着换工作休假这段期间，仔细阅读完此本书，甚至对核心的第三章做了阅读笔记，总体来看，这本书适合准备投身工业界&做推荐的同学阅读，不太适合教材来用，说是圣经的更有点过了，主要是因为本书从宏观角度来讲解推荐系统的演进，更像是大佬们之间的谈笑风声，对于需要打基本功的同学，还是好好学习代码的推导，复现论文中的算法。 先说第一章节和第二章所阐述的内容，由于第一章个人理解主要宏观角度阐述了2件事情
推荐系统很重要(对用户和平台双赢) 推荐系统技术架构(focus 排序模型)第二章节算是本书的一个引子，因为本书名字是《深度学习推荐系统》，本章节并没有直接深入讲解深度学习，而是对深度学习之前传统的机器学习模型在推荐系统上的应用做了讲解，觉得这是非常有必要的，因为一个事物的发展必然是由浅入深，中间有着逻辑、数据、模型的优化，看清之前的缺点，才能明白后续优化的发力点。从一开始的协同过滤User-CF/Item-Cf -> 矩阵分解 -> 逻辑回归 -> FMFFM系列 -> Gbdt+lr -> ls_plm
第三章是本书的核心内容了，在这一章中，讲解了深度学习模型在推荐中的应用，也是作为算法工程师最为关注的一章。行文的思路，主要讲解深度学习模型在推荐的发展，按照一个时代的背景下给轮廓出来，讲的不是很细，但是每个模型的想法思路、演进过程都讲解的比较清楚。推荐对每个算法按照论文好好研习、或者对每一个算法，下载一些数据手动跑一下，找一下体感！ 以DNN为基础框架，按照不同的思路主要扩展为以下几个方法：
改变网络复杂程度，AutoRec、Deep Crossing 改变特征交叉方式，NeuralCF、PNN 组合模型，Wide&Deep、Deep&Cross、DeepFMFM模型在深度学习的演进，NFM、FNN、AFM DIN(注意力机制)、DIEN(序列兴趣演进)、DRN(强化学习结合)剩下的章节暂且不表，因为自己也有工作经验，文中很多的思路也能引起共鸣，着重提及2点，一个是评估，离线部分和在线部分的A/B实验，一个是工程/算法的平衡~ 最后还是希望能把文中的算法尽量手动的实现一遍，才能真的对这方面入门，尤其是算法部分，才是衡量算法工程师能走多远的标杆！
《深度学习推荐系统》读后感(四)：《深度学习推荐系统》quick note
不太有营养的note，做个备份
工业界两种研发体系：
拿着锤子找钉子：跟踪最新的顶会论文，寻找创新点，拿到自己场景试一试，靠撞大运拿结果。问题驱动：定义清楚问题，想清楚技术的需求，然后寻找和构思相应的技术工具。前深度学习时代：
协同过滤 矩阵分解 逻辑回归 FM FFM GBDT + LR LS-PLM深度学习时代：
AutoRec Deep Crossing Multiple redidual unit 短路网络，减少过拟合，减少梯度消失 NeuralCF 多层神经网络+输出层 GMF 层 PNN 线性操作部分，特征向量线性拼接 乘积操作部分，特征向量两两内积或者外积 Wide & deep 记忆能力，模型直接学习并利用历史数据中的物品或特征的共现频率的能力 泛化能力，模型传递特征的相关性，以及发掘稀疏甚至从未出现过的稀有特征与最终标签相关性的能力 DCN FNN 用FM的权重做参数初始化 DeepFM FM 代替wide部分 NFM 特征交叉池化层 AFM 加入attention 网络 DIN 候选商品和历史行为算一个相关性得分，作为注意力得分 DIEN 行为序列层 兴趣抽取层 兴趣进化层 DRNEmbedding
word2vec Item2vec 摒弃了时间窗口的概念，认为序列中任意2个物品都相关 Graph embedding Deepwalk Node2vec Homophily ，同质性 只距离相近节点的emb应该相似 structural equivalence，结构性，结构上相似节点的emb应该相似 EGES LSH 局部敏感hash 低维空间可以保留高维空间相近距离的关系多角度审视推荐系统
探索与利用e-greedy Thompson Sampling UCB LinUCB 个性化UCB DRN工程实现
大数据架构 批处理 流计算 滑动窗口 Lambda 保留批处理和流处理2条架构，进行纠错和合并 Kappa 批处理共享流处理的逻辑 数据重播 离线模型训练 Spark MLlib Parameter Server 异步非阻断 多server节点架构 一致性哈希 Tensorflow 模型上线部署 PMML Tensorflow serving推荐系统评估
RMSE 对异常离群点比较敏感 MAPE P-R曲线 在某一阈值下，模型将大于该阈值的结果判定为正样本，将小于该阈值的结果判定为负样本时，排序结果对应的召回率和精确率 ROC曲线 mAP Replay AB test Overlapping Experiment Infrastructure 层与层之间，正交同层之间，互斥 Interleaving ABtest 两组之间 重度可乐消费者不平衡，对结论产生不成比例的影响 不区分ab组，把不同被测对象同时提供给受试者，最后根据受试者喜好得出评估结果 局限性： 实验逻辑和业务逻辑纠缠在一起，工程实现有难点 只是对 “用户对算法推荐结果偏好程度”的相对测量，不能得出一个算法真实的表现 Optimized interleaving for online retrieval evaluation前沿实践
GBDT + LR 负采样会带来CTR预估值漂移 Q值校准 Airbnb Embedding Session序列定义 停留超过30s 超过30min没动作，序列会被打断 解决数据稀疏问题 同属性样本聚合 搜索词emb 先做emb，然后基于emb得到相似分，作为特征放入模型 Pairwise lambda Rank 的 GBDT ， from ranknet to lambdarank to lambdamart: An overview Youtube DNN 正样本的时长作为样本权重 优化目标是期望观看时长 odds Example Age 阿里巴巴 DIN DIEN MIMN