深度学习已经在图像／视频／自然语言等应用领域取得了飞速的进展，相对其它应用领域，推荐系统有其自身特点，比如数据稀疏／特征数量巨大／特征稀疏／存在大量离散特征等独有的特性。如何结合深度学习技术目前也是各种实际推荐应用关注的内容。本演讲分为两个方面：一方面对目前在推荐系统领域的召回和排序阶段采用深度学习的技术方案进行梳理介绍，在排序阶段将目前的常见深度学习推荐技术划分为：基于表示学习的模型和基于特征组合的模型两大类，并对比各种模型各自优缺点及合适的应用场景；另外一方面，对于深度学习技术如何应用在大规模工业场景也做了经验分享。并对推荐系统的技术发展趋势进行分析于说明。

目标受众

对推荐系统及深度学习感兴趣的技术人员及相关算法从业者。

听众收益

1. 可以熟悉工业界推荐系统的整体框架及流程；
2. 可以了解并熟悉前沿的深度学习推荐模型基本原理及适用场景；
3. 可以了解并熟悉前沿推荐算法在工业界的应用情况；
4. 可以了解深度学习在推荐系统的发展趋势。

课程大纲

1. 目前工业界推荐系统的整体架构及对应的深度学习技术应用在推荐系统哪些地方；
2. 召回阶段：目前常见工业界做法及深度学习模型；
3. 排序阶段：基于表示学习的深度学习推荐模型，包括抽象框架及具备代表性的具体模型与系统及发展趋势： Auto-Encoder类方法／深度协同过滤方法/RNN 类方法等；
4. 排序阶段：基于特征组合的深度学习推荐模型，包括抽象框架及具备代表性的具体模型与系统及发展趋势： Wide&Deep/DeepFM/Deep&Cross/xDeepFM 等模型；
5. 工业界前沿推荐系统介绍：谷歌／阿里／京东／微博等公司推荐系统算法介绍。