从核心算法上讲，推荐系统是如何经历从最初的协同过滤到如今的深度学习等各种复杂的机器学习模型的演变。

本次分享将演示如何使用 Tensorflow 实现各种模型，从简单的浅层神经网络双线性模型，到针对推荐系统稀疏数据场景下的 Amazon 的 DSSTNE，和 Youtube 推荐系统采用的神经网络在 TensorFlow 上的实现。

TensorFlow 如何实现 Wide & Deep Learning 的结合。如何结合 Wide Model，也就是传统的基于 Logistic Regression 并且用大量的 Cross-Product 做 Feature，和用 Deep Neural Networks 把大量 Categorial Features 转换成为 Dense Embedding Vector。

同时，还将使用 TensorBoard，来可视化物品（items）和元数据（metadata）的潜在空间（latent space）。以及线上和线下的模型评估方法。

演讲提纲

• Lookalike 算法实现的全景架构，传统的 CTR 或推荐系统拥有高维特征和稀疏数据，转向深度学习如何高效实现；
• 浅层神经网络双线性模型、Amazon 的 DSSTNE、Youtube 推荐系统采用的神经网络在 TensorFlow 上的实现；
• 如何使用 TensorBoard，来可视化物品（items）和元数据（metadata）的潜在空间（latent space）；
• TensorFlow 如何实现 Wide & Deep Learning 的结合。 

听众受益

• 了解深度学习在推荐系统中的应用和架构；
• 了解 TensorFlow 实现常见神经网络的原理以及具体实现；
• 了解如何使用 TensorBoard 等可视化工具来可视化物品和元数据的关系。