经过多年的发展,推荐系统已经成为互联网产品的标配。很多产品甚至在第一版就被投资人或者创始人要求必须“个性化”,可见,推荐系统已经飞入寻常百姓家。而作为推荐系统的缔造者,推荐系统工程师也越来越受欢迎,本文总结了推荐系统工程师常用的技能树,供大家参考。
一、掌握核心原理的技能
1、数学:微积分,统计学,线性代数;
2、周边学科:信息论基础;
3、推荐算法:CF,LR,SVM,FM,FTRL,GBDT,RF,SVD,RBM,RNN,LSTM,RL;
4、数据挖掘:分类,聚类,回归,降维,特征选择,模型评价。
二、实现系统检验想法的技能
1、操作系统:Linux;
2、编程语言:Python/R, Java/C++/C,sql,shell;
3、RPC框架:thrift, Dubbo,gRPC;
4、web服务:tornado, django, flask;
5、数据存储:redis, hbase, cassandra, mongodb, mysql, hdfs,hive, kafka, elasticsearch;
6、机器学习/深度学习:Spark MLib,GraphLab/GraphCHI,Angel,MXNet,TensorFlow,Caffe, Xgboost,VW,libxxx;
7、文本处理:Word2vec,Fasttext,Gensim,NLTK;
8、矩阵分解:Spark ALS,GraphCHI,implicit,qmf,libfm;
9、相似计算:kgraph, annoy,nmslib, GraphCHI, columnSimilarities(spark.RowMatrix);
10、实时计算:Spark Streaming, Storm,Samza。
三、为效果负责的技能
1、熟悉常见离线效果指标:准确率,召回率,AUC,基尼系数;
2、能够定义产品效果指标:点击率,留存率,转换率,观看完整率;
3、会做对比试验并分析实验结果:指标数据可视化;
4、知道常见推荐产品的区别:Feed流推荐,相关推荐,TopN推荐,个性化推送;
四、其他软技能
1、英文阅读:读顶级会议的论文、一流公司和行业前辈的经典论文和技术博客,在Quora和Stack Overflow上和人交流探讨;
2、代码阅读:能阅读开源代码,从中学习优秀项目对经典算法的实现;
3、沟通表达:能够和其他岗位的人员沟通交流,讲明白所负责模块的原理和方法,能听懂非技术人员的要求和思维,能分别真需求和伪需求并且能达成一致。
智能推荐 个性化推荐技术与产品社区 | 长按并识别关注 |