推荐系统基础算法、应用与前沿技术高级研修班
时间.地点：2019年12月12日——12月15日 中国·北京
一、推荐系统概论 、简单的交互
二、深度学习推荐算法 复杂交互
2.2深度学习在推荐场景下的优势和挑战
2.3 推荐系统常用的深度学习模型的介绍
2.3.1深度学习推荐算法的分类
2.3.2 基于多层感知机的推荐算法
2.3.3 基于自编码器的推荐算法
2.3.4 基于卷积神经网络的推荐算法
2.3.5 基于递归神经网络的推荐算法
2.3.6 基于注意力机制的推荐算法
2.3.7 基于对抗生成网络的推荐算法
2.3.8 基于深度混合模型的推荐算法
上机实践案例5：使用深度学习模型NCF编写一个电影评分预测系统
上机实践案例6：使用DeepFM在数据集上完成电影评分的预测
上机实践案例7：使用GRURec的推荐算法完成在数据集上的序列预测
三、基于图网络的推荐模型 图交互
3.1异质信息网络的基本概念
3.2 异质网络在推荐场景的应用
3.21基于原路径的相似性计算方法
3.22 基于原路径的推荐模型
3.23基于图嵌入的推荐模型
3.3 图卷积神经网络的基本概念
3.4 图神经网络在推荐系统的应用
上机实践案例8：基于原路径的电影评分预测模型
上机实践案例9：使用图卷积神经网络算法对用户的购物行为进行预测
四、知识信息驱动的推荐算法
4.1 基于知识信息的推荐算法概述
4.2 知识信息的主要表示方法
4.2.1 基于知识图谱的结构化表示
4.2.2 基于异质信息网络的结构化表示
4.3. 主要技术途径回顾
4.3.1 RNN、CNN等经典神经网络模型；
4.3.2 知识图谱嵌入技术回顾；
4.3.3 基于异质信息网络的随机游走算法；
4.3.4 强化学习算法；
4.4.主要算法介绍
4.4.1表示增强算法；
4.4.2 联合表示算法；
4.4.3 基于语义路径的算法；
4.4.4基于评论文本数据的算法；
五、推荐算法在特定数据领域的应用
5.1.推荐算法在社交数据中的应用
5.1.1 用户意图检测； 5.1.2 用户画像构建； 5.1.3 用户需求推荐；
5.2 推荐算法在轨迹数据中的应用
5.2.1 基于模式与特征的算法；
5.2.2 基于表示学习的算法；
5.2.3 基于序列建模的算法；
5.3 推荐算法在线学习数据中的应用
5.3.1 在线学习平台数据介绍；
5.3.2 一种基于两模式的用户学习模型介绍；
联系人：李文强
手 机：177 1073 1314 （微信）