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
|
