【雷火UX×华科】《大数据与推荐算法》第5课：机器学习的推荐系统实践

2022年11月12日上午，雷火UX用户体验中心数据挖掘部的睿东，为华中科技大学计算机学院课程《大数据与推荐算法通识》做主题为“机器学习的推荐系统实践”的讲授。当天的课程分3个部分进行：机器学习和推荐系统概述、贝叶斯模型原理与实践、Boosting模型原理与实践。公众号为大家进行整理分享。

机器学习和推荐系统

模型算法是推荐系统的灵魂。而机器学习得益于其可解释性强，模型轻量，泛化性能好的优势，在深度学习风靡的今天仍在推荐系统的业务中占有一席之地。所以本节课程睿东老师便从机器学习的概述讲起，先与同学们分享机器学习的相关概念，再谈到机器学习中的经典模型。机器学习算法主要应用在推荐业务框架中精排的部分，其核心是得到用户对于每个推荐对象的打分，从而对物品进行排序决定哪个推荐对象优先曝光。接着，课堂上以两个模型为例，对推荐系统实践中的机器学习进行讲解。

贝叶斯模型原理与实践

为了让同学们更容易理解推荐系统中的机器学习算法，睿东老师便从同学们都熟悉的条件概率开始讲起，讲解在实际业务中是如何将贝叶斯模型落地的。对于贝叶斯模型来说，它在实际业务中落地的关键就在于特征两两独立的假设以及拉普拉斯平滑。贝叶斯模型数学理论扎实，可解释性强，模型轻量灵活，但是拟合性能与决策树相比仍有差距。所以，最后课程的重头戏放在了流行的Boosting类算法。

Boosting模型原理与实践

Boosting类模型作为一种集成学习，通过构建多个好而不同的小模型来达到匹敌一个大模型的效果。集成学习对于决策树模型来说，很好地解决了根节点对模型结果影响过大的问题，加强了模型的正则化。XGBoost作为Boosting模型的代表，具有非常好的拟合和泛化的能力，在推荐系统中被广泛地应用。

通过可视化讲解Boosting和普通决策树的差异

小结

相比于深度学习，机器学习(尤其是树模型)对日志形式的数据进行挖掘时会取得更理想的效果。通过本节课程的讲解，同学们对机器学习的概念及其在具体业务中如何落地有了一个更深入的了解。上课期间同学们积极探讨，踊跃发言，取得了不错的授课效果。

【雷火UX × 华中科技大学】

雷火UX与华中科技大学计算机学院《大数据与推荐算法》课程安排：

第1课（10月15日）大数据概述与推荐算法通识

第2课（10月22日）分布式运算与数据集群

第3课（10月29日）离线与实时计算技术

第4课（11月05日）大数据下构建游戏玩家画像

第5课（11月12日）传统机器学习模型游戏实践

第6课（11月19日）深度学习模型游戏实践

第7课（11月26日）策略与算法服务

第8课（12月03日）大数据与推荐算法大作业

雷火UX与华中科技大学合作课程——《大数据与推荐算法》于2022年10月15日正式开课。该系列课程专为华中科技大学计算机学院设立，由网易雷火UX数据挖掘部优秀讲师团队进行讲授，共分为8次进行，旨在帮助激发同学们对大数据及推荐算法的探索和学习兴趣。课程信息发布后，华科计算机学院学生报名十分热情，最终共有120名研究生和本科生报名了本次课程。

通过该系列课程，网易雷火UX的讲师团队将带领同学们体验和学习企业大数据及算法应用开发场景，并结合雷火UX的实际业务案例让同学们更深入地理解大数据生态以及个性化推荐算法的价值，进而帮助同学们提升大数据及算法方面的专业能力，实现职业能力的早期拓展和准备。