01. 开篇词 | 用知识去对抗技术不平等.html
02. 01 | 你真的需要个性化推荐系统吗?.html
03. 02 | 个性化推荐系统有哪些绕不开的经典问题？.html
04. 03 | 这些你必须应该具备的思维模式.html
05. 04 | 画鬼容易画人难：用户画像的“能”和“不能”.html
06. 05 | 从文本到用户画像有多远.html
07. 06 | 超越标签的内容推荐系统.html
08. 07 | 人以群分，你是什么人就看到什么世界.html
09. 08 | 解密“看了又看”和“买了又买”.html
10. 09 | 协同过滤中的相似度计算方法有哪些.html
11. 10 | 那些在Netflix Prize中大放异彩的推荐算法.html
12. 11 | Facebook是怎么为十亿人互相推荐好友的.html
13. 12 | 如果关注排序效果，那么这个模型可以帮到你.html
14. 13 | 经典模型融合办法：线性模型和树模型的组合拳.html
15. 14 | 一网打尽协同过滤、矩阵分解和线性模型.html
16. 15 | 深度和宽度兼具的融合模型 Wide and Deep.html
17. 16 | 简单却有效的Bandit算法.html
18. 17 | 结合上下文信息的Bandit算法.html
19. 18 | 如何将Bandit算法与协同过滤结合使用.html
20. 19 | 深度学习在推荐系统中的应用有哪些?.html
21. 20 | 用RNN构建个性化音乐播单.html
22. 21 | 构建一个科学的排行榜体系.html
23. 22 | 实用的加权采样算法.html
24. 23 | 推荐候选池的去重策略.html
25. 24 | 典型的信息流架构是什么样的.html
26. 25 | Netflix个性化推荐架构.html
27. 26 | 总览推荐架构和搜索、广告的关系.html
28. 27 | 巧妇难为无米之炊：数据采集关键要素.html
29. 28 | 让你的推荐系统反应更快：实时推荐.html
30. 29 | 让数据驱动落地，你需要一个实验平台.html
31. 30 | 推荐系统服务化、存储选型及API设计.html
32. 31 | 推荐系统的测试方法及常用指标介绍.html
33. 32 | 道高一尺魔高一丈：推荐系统的攻防.html
34. 33 | 和推荐系统有关的开源工具及框架介绍.html
35. 34 | 推荐系统在互联网产品商业链条中的地位.html
36. 35 | 说说信息流的前世今生.html
37. 36 | 组建推荐团队及工程师的学习路径.html
38. 加餐 | 推荐系统的参考阅读.html
39. 结束语 | 遇“荐”之后，江湖再见.html
40. 结课测试 | 推荐系统的这些知识，你都掌握了吗？.html