下载学堂APP缓存视频离线看
- 畅销套餐
- 精选套餐
- 人气套餐
- 尊享套餐
- 高薪套餐
- 课程介绍
- 课程大纲
适合人群：
适合技术开发人员、大学生等； 大数据、机器学习、推荐算法系统开发者； 相关从业者或转行大数据和人工智能。
你将会学到：
帮助同学从事互联网一线开发的算法研发，成为推荐算法工程师、机器学习工程师、深度学习工程师等
课程简介：
推荐算法系统实战全系列精品课 ：
一、课程优势
本课程有陈敬雷老师的清华大学出版社配套新书教材《分布式机器学习实战》人工智能科学与技术丛书，
新书配合此实战课程结合学习，一静一动，互补高效学习！
本课程由互联网一线知名大牛陈敬雷老师全程亲自授课，技术前沿热门，这个《推荐算法系统实战全系列精品课》来自陈敬雷在一线大型互联网公司的多年实战经验总结，比较完备的包含了各个算法系统模块，实实在在的重量级干货分享！听完此系列课，可以实现一个完整的推荐系统！
二、课程简介
首先推荐系统不等于推荐算法，更不等于协同过滤。推荐系统是一个完整的系统工程，从工程上来讲是由多个子系统有机的组合，比如基于Hadoop数据仓库的推荐集市、ETL数据处理子系统、离线算法、准实时算法、多策略融合算法、缓存处理、搜索引擎部分、二次重排序算法、在线web引擎服务、AB测试效果评估、推荐位管理平台等，每个子系统都扮演着非常重要的角色，当然大家肯定会说算法部分是核心，这个说的没错，的确。推荐系统是偏算法的策略系统，但要达到一个非常好的推荐效果，只有算法是不够的。比如做算法依赖于训练数据，数据质量不好，或者数据处理没做好，再好的算法也发挥不出价值。算法上线了，如果不知道效果怎么样，后面的优化工作就无法进行。所以AB测试是评价推荐效果的关键，它指导着系统该何去何从。为了能够快速切换和优化策略，推荐位管理平台起着举足轻重的作用。推荐效果最终要应用到线上平台去，在App或网站上毫秒级别的快速展示推荐结果，这就需要推荐的在线Web引擎服务来保证高性能的并发访问。这么来说，虽然算法是核心，但离不开每个子系统的配合，另外就是不同算法可以嵌入到各个子系统中，算法可以贯穿到每个子系统。
从开发人员角色上来讲，推荐系统不仅仅只有算法工程师角色的人就能完成整个系统，需要各个角色的工程师相配合才行。比如大数据平台工程师负责Hadoop集群和数据仓库，ETL工程师负责对数据仓库的数据进行处理和清洗，算法工程师负责核心算法，Web开发工程师负责推荐Web接口对接各个部门，比如网站前端、APP客户端的接口调用等，后台开发工程师负责推荐位管理、报表开发、推荐效果分析等，架构师负责整体系统的架构设计等。所以推荐系统是一个多角色协同配合才能完成的系统。
下面我们就从推荐系统的整体架构以及各个子系统的实现给大家深度解密来自一线大型互联网公司重量级的实战产品项目！！！
推荐算法系统实战课程大纲如下：
1、推荐系统架构设计
2、推荐数据仓库集市
3、推荐系统ETL数据处理
4、CF协同过滤用户行为挖掘
5、推荐算法ALS交替最小二乘法
6、推荐系统ContentBase文本挖掘算法
7、用户画像兴趣标签提取算法
8、基于用户心理学模型推荐
9、推荐系统多策略融合算法
10、准实时在线学习推荐引擎
11、Redis分布式缓存处理
12、分布式搜索引擎
13、推荐Rerank二次重排序算法（基于逻辑回归、GBDT、随机森林、神经网络的算法思想做二次排序）【可试听】
14、推荐Rerank二次重排序算法（基于Learning TO rank排序学习思想做二次排序）
15、推荐Rerank二次重排序算法（基于加权公式思想做二次排序）
16、在线Web实时推荐引擎服务原理及核心处理算法
17、在线Web实时推荐引擎服务核心源代码解析
18、在线AB测试推荐效果评估
19、离线AB测试推荐效果评估
20、推荐位管理平台
21、大数据用户画像系统架构图深度解密与详细介绍
22、大数据用户画像系统中各个子系统详细讲解
三、老师介绍
陈敬雷 充电了么创始人，CEO兼CTO
陈敬雷，北京充电了么科技有限公司创始人，CEO兼CTO，十几年互联网从业经验，曾就职于用友、中软、凡客、乐蜂网(唯品会)、猎聘网、人民日报(灵思云途)、北京万朝科技，曾任架构师、首席技术官、首席科学家等职务，对业务领域B端、C端、电商、职场社交招聘、内容文娱、营销行业都有着丰富的经验，在技术领域，尤其在大数据和人工智能方向有丰富的算法工程落地实战经验，其中在猎聘网任职期间主导的推荐算法系统项目获得公司优秀项目奖，推荐效果得到5倍的提升。
陈敬雷著有清华大学出版社两本人工智能书籍，分别是《分布式机器学习实战（人工智能科学与技术丛书）》、《自然语言处理原理与实战（人工智能科学与技术丛书）》。
目前专注于大数据和人工智能驱动的上班族在线教育行业，研发了充电了么app和网站，用深度学习算法、nlp、推荐引擎等技术来高效提升在线学习效率。
四、《分布式机器学习实战》新书介绍及最新热点技术解密如下：
陈敬雷老师的京东自营书名标题： 分布式机器学习实战（人工智能科学与技术丛书）
****************好评如潮**************
本书作者陈敬雷曾在多家一线大型互联网公司任职，也有过技术创业的背景，经历过从0到1，从1从100的技术发展历程，尤其在AI、大数据、机器学习、深度学习等方面有很强的理论基础和实战经验。《分布式机器学习实战》包含了目前主流互联网公司所采用的大数据、AI方面的系统架构、中间件、工具、机器学习/深度学习算法等，内容由浅入深，全面详实，强烈推荐给读者！
——陈兴茂 (猎聘CTO)
我读了这本书，有三点深切的体会，一、系统全面：本书把分布式机器学习的关键环节进行了系统化梳理，介绍了主流的技术和工具平台，同时对大数据技术也做了详细讲解，对内容的梳理全面丰富，是入门、参考、提高的有益工具书！二、深入浅出：通过大量的系统化讲课，配合丰富的素材、案例和实际操作场景介绍，可以说是不但授人以渔也同时授人以鱼！开卷有益！现学现用！活学活用！三、讲解清晰，思路明确：可以看出作者是有深厚的功底，是经过长期实践的经验总结，又融合了大量的最新结果，连同职业路径规划都详细做好，有此一书，是难得佳作！
——梅一多 博士（上海市青年拔尖人才获得者，阿里云最有价值技术专家，中基凌云科技有限公司联合创始人兼CTO）
《分布式机器学习实战》这本书非常贴近实战，含盖了目前各类应用场景的算法系统，对每个场景都有理论基础、源代码、算法解度等，深入浅出的讲解对于读者具有很强的实用性，做为大数据及人工智能领域的从业人员是必选的工具类参考书。
——杨正洪 博士(中央财经大学财税大数据实验室首席科学家)
此书的作者非常贴近实战，不“高来高去”讲一些宏观的概念，书中的每一个算法，每一个场景都是来自于当前的商业应用，对于读者来讲这是一本难得的实用宝典。
——刘冬冬（知名市场战略、生态系统和企业数字化转型专家，首席数据官联盟创始人，曾先后服务过统一集团、联想集团、百度、美国D&B集团、华为技术、海航科技集团等）
陈敬雷写的这本书理论联系实践，深入浅出，覆盖技术面广，并且有工业级的系统案例，包含目前比较热门的推荐算法系统、人脸识别、对话机器人等项目，对常见的大数据算法系统架构也做了详细讲解，是一本机器学习方面的佳作。本书不管是初学者、架构师、还是资深人士，都会开卷有益、有所收获。
——龙旭东（北京掌游智慧科技有限公司董事长，曾任海航科技集团CTO和文思海辉董事，北京大学计算机系学士+硕士）
课程大纲-推荐算法系统实战全系列精品课
1
推荐算法系统架构设计推荐系统是一个完整的系统工程，从工程上来讲是由多个子系统有机的组合，比如基于Hadoop数据仓库的推荐集市、ETL数据处理子系统、离线算法、准实时算法、多策略融合算法、缓存处理、搜索引擎部分、二次重排序算法、在线web引擎服务、AB测试效果评估、推荐位管理平台等。这节课我们就对推荐系统的整体架构和各个子系统做了详细的讲解，解开推荐系统神秘的面纱！
「仅限付费用户」点击下载“1推荐算法系统架构设计.docx”
[01:25:26]开始学习2
推荐系统数据仓库集市算法是推荐系统的核心，但没有数据也是巧妇难为无米之炊，再就是也得有好米才行，有了好米，但好米里有沙子，我们也得想办法清洗掉。这是打了个比方，意思是除了算法本身我们要搭建数据仓库，把握好数据质量，对数据进行清洗、转换。那么更好区分那个是原始数据，那个是清洗后的数据，我们最好做一个数据分层，方便我们快速的找到想要的数据。另外，有些高频的数据不需要每次都重复计算，只需要计算一次放在一个中间层里，供其它业务模块复用，这样节省时间，同时也减少的服务器资源的消耗。数据仓库分层设计还有其他很多好处，下面举一个实例看看如何分层，如何搭建推荐的数据仓库集市？听完此课即可揭秘！！！
「仅限付费用户」点击下载“2推荐算法系统的数据仓库集市设计实践.docx”
[01:22:22]开始学习3
推荐系统ETL数据处理搭建完数据仓库和平台之后，我们日常很多工作会做数据处理，也就是ETL，ETL分全量和增量两种处理方式，在推荐系统占用的工作量是比较大的，做一个算法系统，ETL数据处理的也是必须的。 下面来讲讲推荐的ETL数据处理是如何做的？我让我们体验下真实的用户实战场景！
「仅限付费用户」点击下载“3推荐算法系统ETL数据处理实战.docx”
[49:15]开始学习4
推荐CF协同过滤用户行为挖掘协同过滤 (Collaborative Filtering, 简称 CF)作为经典的推荐算法之一，在电商推荐推荐系统中扮演着非常重要的角色，比如经典的推荐为如看了又看、买了又买、看了又买、购买此商品的用户还相同购买等都是使用了协同过滤算法。尤其当你网站积累了大量的用户行为数据时，基于协同过滤的算法从实战经验上对比其他算法，效果是最好的。基于协同过滤在电商网站上用到的用户行为有用户浏览商品行为，加入购物车行为，购买行为等，这些行为是最为宝贵的数据资源。比如拿浏览行为来做的协同过滤推荐结果叫看了又看，全称是看过此商品的用户还看了哪些商品。拿购买行为来计算的叫买了又买，全称叫买过此商品的用户还买了。如果同时拿浏览记录和购买记录来算的，并且浏览记录在前，购买记录在后，叫看了又买，全称是看过此商品的用户最终购买。如果是购买记录在前，浏览记录在后，叫买了又看，全称叫买过此商品的用户还看了。在电商网站中，这几个是经典的协同过滤算法的应用。 这节课给大家直接深度解密推荐系统的最核心精髓部分！！！
「仅限付费用户」点击下载“大数据人工智能精品课09Mahout协同过滤算法.pdf”
[01:26:04]开始学习5
推荐算法ALS交替最小二乘法ALS 是交替最小二乘 （alternating least squares）的简称。在机器学习的上下文中，ALS 特指使用交替最小二乘求解的一个协同推荐算法。它通过观察到的所有用户给产品的打分，来推断每个用户的喜好并向用户推荐适合的产品。ALS是alternating least squares的缩写, 意为交替最小二乘法；而ALS-WR是alternating-least-squares with weighted-λ -regularization的缩写，意为加权正则化交替最小二乘法。该方法常用于基于矩阵分解的推荐系统中。例如：将用户(user)对商品(item)的评分矩阵分解为两个矩阵：一个是用户对商品隐含特征的偏好矩阵，另一个是商品所包含的隐含特征的矩阵。在这个矩阵分解的过程中，评分缺失项得到了填充，也就是说我们可以基于这个填充的评分来给用户商品推荐了 Spark推荐算法协同过滤交替最小二乘法ALS，基于矩阵分解的协同过滤，为推荐系统中核心的算法之一，备受互联网公司的青睐，比如在电商网站上经典的推荐位看了又看，买了又买，就是用协同过滤来做的！ 本节课就ALS交替最小二乘法介绍、Spark ALS 模型参数详解、为所有用户推荐商品、为单个用户
「仅限付费用户」点击下载“5推荐算法ALS交替最小二乘法.pdf”
[52:36]开始学习6
推荐系统ContentBase文本挖掘算法推荐系统是一个完整的系统工程，从工程上来讲是由多个子系统有机的组合，比如基于Hadoop数据仓库的推荐集市、ETL数据处理子系统、CF协同过滤、contentbase文本挖掘算法策略、离线算法、准实时算法、多策略融合算法、缓存处理、搜索引擎部分、二次重排序算法、在线web引擎服务、AB测试效果评估、推荐位管理平台等。 这节课我们就对推荐系统的contentbase文本挖掘算法策略子系统做了详细的讲解，解开推荐系统神秘的面纱！
「仅限付费用户」点击下载“6推荐算法系统实战之ContentBase文本挖掘算法策略.docx”
[01:04:45]开始学习7
用户画像兴趣标签提取算法用户画像，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。用户画像最初是在电商领域得到应用的，在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。 这节课我们就对用户画像标签提取算法进行详细的讲解，想了解其算法原理及代码实现的同学点击右下方立刻购买按钮即可揭秘！
「仅限付费用户」点击下载“7大数据用户画像系统兴趣标签提取算法.docx”
[01:22:02]开始学习8
基于用户心理学模型推荐心理模型（mental model）是用于解释人的内部心理活动过程而构造的一种比拟性的描述或表示。可描述和阐明一个心理过程或事件。可由实物构成或由数学方程、图表构成。在知觉、注意、记忆等领域中，有影响的心理模型有：用于解释人类识别客体的“原型匹配模型”，关于注意的“反应选择模型”，关于记忆的“层次网络模型”和“激活扩散模型”等。在推荐系统中，用到了心理学中态度与行为之间的关系模型。在此推荐项目中用于用户对文章的隐式评分，进而用于带有评分的协同过滤算法。 这节课我们就对《基于用户心理学模型推荐》进行详细的讲解，想了解其算法原理及实现的同学点击右下方立刻购买按钮即可揭秘！
「仅限付费用户」点击下载“8推荐算法系统基于用户心理学模型推荐.docx”
[38:58]开始学习9
推荐系统多策略融合算法推荐系统在各大公司扮演着非常重要的角色，比如今日头条就是靠着个性化推荐引擎起来的，实际要实现一个完整推荐系统，需要多种算法策略的组合搭配，才能优势互补，得到更好的推荐效果，然而各种算法策略如何组合才能发挥到最好的效果，以及推荐效果如何评估，本课我们就从推荐算法组合策略方法、推荐位管理、组合策略效果衡量指标、在线AB测试效果评估方法、离线AB测试效果评估方法等方面进行详细的讲解，解开个性化推荐引擎神秘的面纱。难得的一线实战经验！
「仅限付费用户」点击下载“大数据人工智能精品课11推荐算法混合策略.pdf”
[48:41]开始学习10
准实时在线学习推荐引擎离线算法策略，一般是每天定时算一次。这种方式的缺点是不能把的当天的最新的用户行为实时的融合进去。用户最新的行为反馈比较滞后，下面我们就讲一种能够根据最新用户行为实时的增量更新模型的准实时算法。 那就是使用Flink/Storm/SparkStreaming实时流集群+Kafka消息队列实现的准实时计算的算法， 这节课我们就对《准实时在线学习推荐引擎》进行详细的讲解，想了解其算法原理及实现的同学点击右下方立刻购买按钮即可揭秘！
「仅限付费用户」点击下载“10推荐算法系统准实时在线学习推荐引擎.docx”
[01:04:42]开始学习11
Redis分布式缓存处理Redis缓存基本是各大互联网公司的缓存的标配，最新版本已经支持了分布式。 Redis是一个高性能的key-value数据库、支持主从同步、分布式、可扩展、自动故障转移等。 下面我们就看一下Redis的原理以及分布式安装部署，同时结合案例给大家详细介绍Redis在推荐系统中 如何设计缓存结构，以便来满足上亿级别用户的网站高并发访问，毫秒级进行推荐结果的展示。
「仅限付费用户」点击下载“11Redis分布式缓存处理.docx”
[01:17:49]开始学习12
分布式搜索引擎对于分布式搜索引擎我们主要介绍两个，一个是Solr Could，一个是ElasticSearch， 他们都是基于Lucene的。 1、SolrCloud(Solr 云)是Solr提供的分布式搜索方案，当你需要大规模，容错，分布式索引和检索能力时使用SolrCloud。当一个系统的索引数据量少的时候是不需要使用SolrCloud的，当索引量很大，搜索请求并发很高，这时需要使用SolrCloud来满足这些需求。SolrCloud是基于Solr和Zookeeper的分布式搜索方案，它的主要思想是使用Zookeeper作为集群的配置信息中心。 2、Elasticsearch（简称ES）是一个基于Apache Lucene(TM)的开源搜索引擎，无论在开源还是专有领域，Lucene可以被认为是迄今为止先进、性能好的、功能全的搜索引擎库。 这节课就看一下Solr Could和ElasticSearch的原理以及分布式安装部署，同时结合案例给 大家详细介绍Solr Could和ElasticSearch在推荐算法系统中扮演的重要角色！
「仅限付费用户」点击下载“12分布式搜索引擎.docx”
[01:10:50]开始学习13
推荐Rerank二次重排序算法基于LR、GBDT、随机森林推荐的Rerank排序有几种应用场景，一个是离线计算的时候为每个用户提前用Rerank排序 算法算好推荐结果，另一个是在实时在线Web推荐引擎里做二次融合排序的时候。 但不管哪一种用到的算法是一样的。 比如用逻辑回归、GBDT、随机森林、神经网络等来预测这个商品被点击或者 被购买的可能性的概率，用的模型都是同一个，预测的时候是对特征转换做同样的处理。 一般封装一个通用方法供离线和在线场景调用。有三种做推荐的Rerank排序的思想：1.基于逻辑回归、GBDT、随机森林、神经网络的分类思想做二次排序2.基于Learning to rank排序学习思想做二次排序3.基于加权组合的公式规则做二次排序
「仅限付费用户」点击下载“13推荐Rerank二次重排序算法.docx”
[47:21]开始学习14
推荐Rerank二次重排序Learning to rank推荐的Rerank排序有几种应用场景，一个是离线计算的时候为每个用户提前用Rerank排序 算法算好推荐结果，另一个是在实时在线Web推荐引擎里做二次融合排序的时候。 但不管哪一种用到的算法是一样的。 比如用逻辑回归、GBDT、随机森林、神经网络等来预测这个商品被点击或者 被购买的可能性的概率，用的模型都是同一个，预测的时候是对特征转换做同样的处理。 一般封装一个通用方法供离线和在线场景调用。有三种做推荐的Rerank排序的思想：1.基于逻辑回归、GBDT、随机森林、神经网络的分类思想做二次排序2.基于Learning to rank排序学习思想做二次排序3.基于加权组合的公式规则做二次排序这节课我们重点讲解第2个基于Learning to rank排序学习思想（ListWise-LambdaRank源码实现）做二次排序，并给大家详细讲解算法的源代码如何实现！！！
「仅限付费用户」点击下载“13推荐Rerank二次重排序算法.docx”
[45:05]开始学习15
推荐Rerank二次重排序算法加权公式策略推荐的Rerank排序有几种应用场景，一个是离线计算的时候为每个用户提前用Rerank排序 算法算好推荐结果，另一个是在实时在线Web推荐引擎里做二次融合排序的时候。 但不管哪一种用到的算法是一样的。 比如用逻辑回归、GBDT、随机森林、神经网络等来预测这个商品被点击或者 被购买的可能性的概率，用的模型都是同一个，预测的时候是对特征转换做同样的处理。 一般封装一个通用方法供离线和在线场景调用。有三种做推荐的Rerank排序的思想：1.基于逻辑回归、GBDT、随机森林、神经网络的分类思想做二次排序2.基于Learning to rank排序学习思想做二次排序3.基于加权组合的公式规则做二次排序本节课讲基于加权组合的公式规则做二次排序。
「仅限付费用户」点击下载“13推荐Rerank二次重排序算法.docx”
[07:18]开始学习16
在线Web实时推荐引擎服务原理及核心处理算法在线Web实时推荐引擎服务是一个Web项目，同时也是一个在线算法项目，主要用来做商品的实时推荐部分，在架构图里有显示，触发调用的一般是前端网站和App客户端，这个项目可以认为是一个在线预测算法，实时获取用户近的点击、播放、购买等行为，不同行为以不同权重，加上时间衰竭因子，每个用户得到一个带权重的用户兴趣种子文章集合，然后拿这些种子课程商品去关联Redis缓存计算好的看了又看、买了又买或者是提前算好的综合加权组合好的的混合推荐列表数据，进行课程商品的推荐，如果这个候选集合太少则计算用户兴趣标签到搜索引擎匹配更多的课程补充候选集合。 第二种方式可以在这个候选集合基础上再用逻辑回归、GBDT、随机森林和神经网络做Rerank二次排序，取前几个高得分的课程商品为终的用户推荐列表实时的给用户推荐。 想了解《在线Web实时推荐引擎服务原理及核心处理算法》的同学听完此课即可揭秘！
「仅限付费用户」点击下载“1617在线Web实时推荐引擎服务.docx”
[37:01]开始学习17
在线Web实时推荐引擎服务核心源代码解析在线Web实时推荐引擎服务是一个Web项目，同时也是一个在线算法项目，主要用来做商品的实时推荐部分，在架构图里有显示，触发调用的一般是前端网站和App客户端，这个项目可以认为是一个在线预测算法，实时获取用户最近的点击、播放、购买等行为，不同行为以不同权重，加上时间衰竭因子，每个用户得到一个带权重的用户兴趣种子文章集合，然后拿这些种子课程商品去关联Redis缓存计算好的看了又看、买了又买或者是提前算好的综合加权组合好的的混合推荐列表数据，进行课程商品的推荐，如果这个候选集合太少则计算用户兴趣标签到搜索引擎匹配更多的课程补充候选集合。 第二种方式可以在这个候选集合基础上再用逻辑回归、GBDT、随机森林和神经网络做Rerank二次排序，取前几个高得分的课程商品为最终的用户推荐列表实时的给用户推荐。 本节课《在线Web实时推荐引擎核心算法源代码解析》为大家深度解密核心源代码！直接进入最关键的算法精髓部分！！！
「仅限付费用户」点击下载“1617在线Web实时推荐引擎服务.docx”
[43:12]开始学习18
在线AB测试推荐效果评估AB测试是检验推荐算法优化是否有效的一个手段，在各大互联网公司一般会有一个AB测试平台， 通过数据埋点、数据统计、可视化展现，来帮助团队做一个推荐效果好坏的一个评判。 这节我们讲的是在线AB测试推荐效果评估，什么叫在线AB测试呢？ 简单来说我们每次做一个算法策略优化都需要把程序上线， 同时让网站或App的用户看到你的新策略的推荐结果， 但是老策略推荐结果也得让用户看到，我们通过一个随机策略， 让50%的用户看到新策略，50%的用户看到老策略， 这样两个策略在同等出现概率的前提喜爱做AB测试， A策略可以代表新策略，B策略代表老策略，然后对比下A和B哪个推荐效果好。 一句话让线上用户能同时看到的两个策略推荐结果，这就是在线AB测试。 那么在大数据部门是如何做AB测试效果跟踪的呢？都用了哪些核心技术？这节课就直接进入精髓部分！
「仅限付费用户」点击下载“推荐策略AB测试.pdf”
[03:08]开始学习19
离线AB测试推荐效果评估AB测试是检验推荐算法优化是否有效的一个手段，在各大互联网公司一般会有一个AB测试平台， 通过数据埋点、数据统计、可视化展现，来帮助团队做一个推荐效果好坏的一个评判。 这节我们讲的是在线AB测试推荐效果评估，什么叫在线AB测试呢？ 简单来说我们每次做一个算法策略优化都需要把程序上线， 同时让网站或App的用户看到你的新策略的推荐结果， 但是老策略推荐结果也得让用户看到，我们通过一个随机策略， 让50%的用户看到新策略，50%的用户看到老策略， 这样两个策略在同等出现概率的前提喜爱做AB测试， A策略可以代表新策略，B策略代表老策略，然后对比下A和B哪个推荐效果好。 一句话让线上用户能同时看到的两个策略推荐结果，这就是在线AB测试。 在线AB测试能够真实的反馈线上用户的情况，但也有一个风险，加入新策略效果比较差， 势必对看到这个策略的用户产生不好的用户体验。 有没有办法知道在上线之前就大概推测效果好坏呢？这就是我们下面要讲的离线AB测试。 离线AB测试是在算法策略上线之前，根据历史数据推演预测的一个反馈效果。 不说废话了，马上进入核心的精髓部分！
「仅限付费用户」点击下载“推荐策略AB测试.pdf”
[04:02]开始学习
“充电了么”老师的其他课程更多+
