Deloitte
6 位校友岗位:Graduate Program · Graduate Consulting · Platform Engineer · Web developer · Platform engineer
Syllabus
每周大纲
- 1
推荐系统概论
📖核心知识点：推荐系统的商业价值与应用场景（电商、流媒体、社交、新闻）。**推荐系统分类**——协同过滤（CF）、基于内容（CBF）、混合方法。推荐系统评估指标——Precision@K、Recall@K、NDCG、MAP、MRR。冷启动问题（Cold Start）的初步认识。⏰本周节奏：建立推荐系统全局观。🎯考试关联：推荐系统分类与评估指标是必考基础。🧪Tutorial/Lab：探索 MovieLens 数据集并计算基础统计。📌作业关联：Assignment 1——基础推荐实现。⚠️易错点：混淆 Precision@K 与 Recall@K 的计算分母；离线评估与在线 A/B 测试的差异。
- 2
协同过滤
📖核心知识点：**User-based CF**——用户相似度计算（Cosine、Pearson）、K-近邻选择、评分预测。**Item-based CF**——物品相似度矩阵的构建与预测。CF 的可扩展性问题——稀疏性（Sparsity）与计算复杂度。相似度归一化与加权策略。⏰本周节奏：CF 是推荐系统的基石。🎯考试关联：CF 相似度计算与评分预测是必考计算题（约 15 分）。🧪Tutorial/Lab：实现 User-based 和 Item-based CF。📌作业关联：Assignment 1——CF 实现与评估。⚠️易错点：相似度计算时未处理共同评分项为空的情况；Pearson 相关系数分母为零的边界条件。
- 3
矩阵分解
📖核心知识点：**Matrix Factorization (MF)**——将评分矩阵 R 分解为 User 矩阵 P 与 Item 矩阵 Q 的乘积。SVD 与 Truncated SVD。基于梯度下降的 MF——损失函数、L2 正则化、学习率调优。Bias 项的引入——全局均值 + 用户偏差 + 物品偏差。ALS（交替最小二乘法）优化。⏰本周节奏：MF 是推荐系统最重要的算法之一。🎯考试关联：MF 的损失函数与更新公式推导是期末重点。🧪Tutorial/Lab：实现带 Bias 的 MF 并调参。📌作业关联：Assignment 1——MF 实现。⚠️易错点：正则化系数过大导致欠拟合；隐因子维度 K 的选择缺乏理论指导。
- 4
基于内容的推荐
📖核心知识点：**Content-Based Filtering (CBF)**——用户画像（User Profile）与物品特征（Item Feature）的构建。文本特征——TF-IDF、Word2Vec、BERT Embedding。CBF 的优势——可解释性强、无冷启动（对物品）。CBF 的局限——特征工程依赖、过度专业化（Over-Specialization）。⏰本周节奏：从 CF 转向 CBF。🎯考试关联：CBF 与 CF 的对比分析是论述题方向。🧪Tutorial/Lab：使用 TF-IDF 构建电影内容推荐。📌作业关联：Assignment 2——CBF 实现。⚠️易错点：文本特征维度过高导致计算开销大；用户兴趣漂移（Drift）未考虑。
- 5
混合推荐与上下文感知
📖核心知识点：**混合推荐**策略——加权、切换、级联、特征组合、元学习。上下文感知推荐——时间、位置、设备、情境信息的利用。Factorization Machines (FM)——统一特征交互建模。Session-based 推荐——基于用户当前会话的实时推荐。⏰本周节奏：从单一方法到综合系统。🎯考试关联：混合策略的选择与 FM 原理是考试重点。🧪Tutorial/Lab：实现加权混合推荐并对比效果。📌作业关联：Assignment 2——混合推荐。⚠️易错点：混合权重调优缺乏系统方法；上下文特征的编码方式影响模型效果。
- 6
灵活性周 (Flex Week)
📖核心知识点：无新内容。复习 CF、MF、CBF、混合方法的核心原理。完善 Assignment 1-2。⏰本周节奏：80% 作业完善，20% 复习。🎯考试关联：前 5 周内容约占期末 50%。🧪Tutorial/Lab：答疑。📌作业关联：Assignment 截止。⚠️易错点：评估指标计算中排名截断点 K 的影响被忽略。
- 7
深度学习推荐
📖核心知识点：**深度推荐模型**——Neural Collaborative Filtering (NCF)、Wide & Deep、DeepFM。Embedding 层的作用——将稀疏 ID 特征映射到稠密向量。注意力机制在推荐中的应用——DIN（Deep Interest Network）。序列推荐——GRU4Rec、SASRec（Self-Attention）。⏰本周节奏：深度学习在推荐中的革命性应用。🎯考试关联：NCF 架构与 Embedding 原理是可能的考题。🧪Tutorial/Lab：使用 PyTorch 实现 NCF。📌作业关联：Group Project——深度推荐系统。⚠️易错点：Embedding 维度过大导致过拟合；序列推荐中序列长度截断策略影响效果。
- 8
知识图谱与图推荐
📖核心知识点：**Knowledge Graph (KG)** 在推荐中的应用——实体关系增强物品表示。KG Embedding——TransE、TransR 的基本思想。**Graph Neural Network (GNN)** 推荐——LightGCN、PinSage。社交网络信息在推荐中的利用——Social Recommendation。⏰本周节奏：从用户-物品二部图扩展到多关系图。🎯考试关联：GNN 推荐的基本原理是论述题方向。🧪Tutorial/Lab：使用 DGL/PyG 实现 LightGCN。📌作业关联：Group Project。⚠️易错点：KG 中关系类型过多导致模型复杂度失控；GNN 的过平滑问题。
- 9
公平性、可解释性与隐私
📖核心知识点：推荐系统的**公平性**——用户公平（User Fairness）与物品公平（Item Fairness）。算法偏见——流行度偏差（Popularity Bias）、马太效应。**可解释推荐**——基于注意力权重、知识图谱路径、自然语言生成的解释。隐私保护——联邦推荐学习（Federated Recommendation）、差分隐私。⏰本周节奏：推荐系统的社会责任与伦理。🎯考试关联：公平性与偏见是现代推荐系统必考论述题。🧪Tutorial/Lab：分析推荐结果的流行度偏差并实施去偏策略。📌作业关联：Group Project 报告需讨论公平性。⚠️易错点：去偏措施可能牺牲整体推荐准确率；可解释性与模型复杂度的权衡。
- 10
工业实践与总复习
📖核心知识点：工业级推荐系统架构——召回（Retrieval）→ 粗排 → 精排 → 重排的多阶段流程。实时推荐与特征工程的工业实践。A/B 测试与在线评估。课程全景回顾——从 CF 到深度学习到图推荐到社会责任。⏰本周节奏：总复习，整理知识脉络。🎯考试关联：期末覆盖全部 10 周，算法推导 + 系统设计 + 伦理讨论。🧪Tutorial/Lab：Mock Exam 与 Group Project 展示。📌作业关联：Group Project 最终提交。⚠️易错点：只关注算法精度而忽略系统工程（延迟、吞吐量）；忽略推荐多样性（Diversity）的重要性。
From Seniors
学长留下的
基础信息谁都查得到,真正值钱的是过来人的经验。
学姐说
比你早一年的学长留下的真实经验 —— ChatGPT 给不了。
这门课还没有学长经验,你可以是第一个 —— 注册后在课内分享。
往年考点 / 踩坑
这门课暂无往年考点记录。
毕业生去向(整体)
下面是匠人学院毕业生整体去过的公司分布(来自脱敏校友证言)。这是全平台的总体去向,不代表选这门课的人一定去这些公司。
统计自 313 份脱敏校友证言
Zerologix
4 位校友岗位:Frontend Dev · junior frontend developer · Front-end Developer · Full Stack Developer
Servian
4 位校友岗位:Full-stack Developer · Data Engineer · Consultant
关于这块数据,我们说实话
雇主墙来自脱敏毕业生证言（testimonials）的整体分布，无法关联到具体学员或其所选课程；仅作为毕业生去向的总体社会证明展示。
我们没有"某位学长选了这门课、后来进了哪家公司"这种可查询的个人去向档案 —— 校友证言是脱敏的,无法关联到具体的人或他选过的课。所以这里只给整体分布,不给个人路径,不编。