每天给你送来NLP技术干货！
“搜推广”是企业里离钱最近的岗位，在CV/NLP越来越卷的当下，很多朋友起了转推荐算法的念头。我就经常收到此类私信和留言。今天这篇文章打算跟大家聊一聊转行推荐算法的问题。
从前途角度考虑，我是非常建议的。
1
大厂必备核心——推荐系统
从商业角度来讲，互联网主要起到平台作用，构建多方沟通桥梁，例如淘宝对应卖家和卖家，头条是信息产出方和读者，除了要满足用户本身的需求，还要考虑到商家的利益。
平台巩固流量，才能进一步的转化，达到盈利。这时候，推荐系统可能是一整个系统的核心。
在算法层面，人力层面，非常需要拥有推荐系统相关知识的人才，这是算法工程师、数据科学家等职业非常好的去处。
同时，推荐算法择业面广，可无障碍转搜索、广告精准投放
因为从模型角度，推荐系统几乎涵盖了所有机器学习能解决问题的结构，并且尝试了各种特征工程方法，构建了很多重要的模型结构。
上游：相关性特征（内容、用户及其匹配信息）、环境特征（时间和地点）、热度特征（热点信息等）和协调特征，从抽象层面，有一些现实的、具体的特征，也有经过特殊化处理和转化的embedding特征。 下游：低维线性的LR、非线性的RF、GBDT，还是更高级的DNN，甚至到目前被广泛使用的wide&deep，知识结构完整和详细，同时这些模型也经受住了实践的检验，例如而很多类似朴素贝叶斯、SVM等可能在学术界很火的模型而且这些模型十分完整，具有很强的借鉴意义。
在过去也从未有过这样的机会——学好推荐算法，一个新人入职就有20~40万年收入：
BOSS直聘2020年四季度人才吸引力报告显示，推荐算法已经连续2年成为平均薪资最高的岗位，平均年薪高达近40W。
但这里存在几个问题，很多欲从事推荐系统的同学大多数学习的方式是自学，缺少企业项目实践
而推荐算法是一个非常贴近业务的工作，业务理解>数据建设度>算法模型。业务中涉及的指标、技术、迭代过程一定要清楚，企业级的项目实践必不可少！
除此之外，协同过滤的itemCF，userCF区别适用场景是哪些？推荐系统的大概步骤，怎么冷启动？协同过滤中的算法怎么细分？
xgb原理推导、fm原理和推导、常见的优化算法、梯度消失/爆炸等，这些问题都不是简单看几篇论文，敲几行代码就能弄清搞懂的。
不解决这些问题，无论面试还是真正去业界做推荐系统，都会被推荐领域的”老鸟“们一眼识别出小白属性。
今天给各位粉丝一个福利，我邀请来我的老朋友smion，他在一线大厂做推荐算法工程师，在实际的业务场景应用这块建树颇深。
关于推荐系统的学习路径以及学习方法，他已经浓缩成了一套学习资料：
仅需4招，帮你搞定推荐系统实战
一、推荐系统前沿技术
二、推荐算法主流框架
三、推荐系统主流业务应用
四、推荐算法岗面试要点
前99名粉丝，扫码回复“TJ”
0.1元观看体验课
