发布者：魏巍 TensorFlow 技术推广工程师
推荐系统 (Recommendation Systems) 一直以来都是机器学习领域非常重要的应用。从大家耳熟能详的信息流和短视频 app，到餐馆点菜小程序，电商网站等，推荐系统正在给大量用户推送高效、有价值的信息和选择，从而积极增加用户粘度和流量。更具体来说：
- Google Play 上 40% 的 app 安装来自于推荐
- YouTube 上 60% 的视频观看时间来自于推荐
- Amazon 上 35% 的用户购买和 Netflix 上 75% 的视频观看来自于推荐（麦肯锡报告）
根据我们的观察，许多互联网大厂都在广泛使用 TensorFlow 搭建他们自己的推荐系统，而还未开发自研推荐系统的公司也希望或准备打造能符合他们业务需求的推荐系统。Google 因为内部 Google Play 和 YouTube 等产品都需要使用超大规模推荐系统，所以我们也陆续开源了一系列推荐相关的组件：
为了帮助大家更好的学习推荐系统的相关知识和如何使用 TensorFlow 搭建推荐系统，我们围绕 TF Recommenders 这个我们推荐的工具库制作了一个系列教程。目前视频已被上传到 B 站 TensorFlow 频道中，大家有兴趣可以去进行学习。
在 第一期视频 中我们将给大家一个推荐系统的概述，探讨推荐系统的价值和挑战，并给大家简单介绍 Google 开源的一系列相关组件。
第二期视频 我们会介绍两种推荐系统的传统算法：基于内容的过滤和协同过滤，从理论的角度看看如何搭建推荐系统。
打造推荐系统光有理论显然不够，所以在 第三期视频 中我们会从代码的角度看看如何使用 TensorFlow 2 的核心 API 来搭建推荐系统，我们将构造一个神经协同过滤模型。
有了前三期的基础以后，我们就可以开始学习 TensorFlow Recommenders (TFRS)。TFRS 库是专为搭建推荐系统打造的全栈工具库，它包含了一整套的工具来简化搭建推荐系统，也是我们推荐使用的工具库。我们还将演示 如何使用 TFRS 构造一个双塔召回模型。
召回只是推荐系统的第一阶段。在 第五期视频 中我们将介绍如何使用 TFRS 搭建排序模型。
用 TensorFlow Recommenders 搭建一个排序模型
在 第六期视频 中，我们将介绍如何使用场景特征和多任务学习来改进推荐模型的准确度。
推荐模型有多种多样，在 第七期视频 中，我们将介绍一种更复杂的模型，深度交叉网络 (DCN)。
模型训练好之后就需要部署上线。在 最后一期视频 中，我们将介绍如何使用 ScaNN 工具库 高效部署召回模型完成近似近邻搜索。
相信大家在观看这八个视频教程后，会对推荐系统和 TF Recommenders 库有一定的了解，从而为以后打造自己的推荐系统打下坚实基础。我们也非常期待大家使用 TensorFlow 打造出更多更好的推荐系统。
此外，如果你需要打造超大规模的推荐系统，我们已经有了一个 TF SIG Recommenders Addons(TFRA) 社区，由腾讯/阿里/唯品会等公司的同学贡献了许多代码。
如果你想加入 TFRA 中文社区微信群，请添加 “hustwindmaple” 微信并备注：“TFRA 中文社区微信群”，后将由我们的工作人员拉入群中。
