生成式推荐系统算法与实践--极客时间课程推荐/优惠
本站非极客时间官网，与官方无任何关系。我们不提供课程下载或详细内容，仅作为课程分享和推荐平台。我们鼓励大家支持正版，尊重创作者的劳动成果，这样不仅能帮助创作者持续产出优质内容，也能让自己获得更好的学习体验。请通过官方渠道购买和学习课程，感谢您的理解与支持。
课程详情
你将获得：
- 一套系统性的生成式推荐知识全景图；
- 从传统推荐到生成式建模的思维重塑路径；
- 从算法原理到系统架构的完整技术拆解；
- 生成式推荐系统技术选型与架构设计能力；
- HSTU、OnePiece、OneRec 工业路线深度剖析。
课程介绍
如果你是一位推荐算法工程师、技术负责人，或者对推荐系统如何进化感兴趣，那么最近几年，你很可能感同身受一种“行业焦虑”：传统的深度学习推荐模型，似乎已经摸到了天花板，不管怎么调参、加特征、改结构，效果增长都越来越难，成本却越来越高。圈子里甚至开始流传“推荐算法已死”的说法。
但另一边，ChatGPT 掀起的生成式AI浪潮，正席卷所有技术领域。推荐系统也不例外！从 2024 到 2025 年，以 “生成式推荐” 为代表的新范式，开始在各大厂的论文和实践中密集涌现，被很多人称为推荐系统的 “GPT 时刻” 和 “生成式推荐元年”。
生成式推荐系统算法与实践这门课，就是要解决我们当下最切身、最紧迫的问题：
- 生成式推荐到底是“学术玩具”还是“工业未来”？ 它和传统推荐的根本区别在哪？
- 大模型“越大越好”的定律，在推荐系统里行得通吗？ 如何平衡效果与线上苛刻的延迟、成本要求？
- 面对眼花缭乱的论文（Bert4Rec、SasRec、HSTU、OneRec、OnePiece……），到底哪条技术路线能真正落地？ 背后需要怎样的系统架构支撑？
- 我们该如何重构自己的技术思维和知识体系，才能不掉队，甚至引领这次变革？
为了解决这些问题，我们特别邀请了一位资深的搜推广方面的算法专家——傅聪，他将基于多年的科研与工业实践经验，系统对比不同技术路线的优劣，深入拆解大厂已落地案例的真实架构设计与踩坑经验，并探讨生成式推荐未来的发展图景。
第一章：观念重塑——为什么是生成式推荐？
课程会先坦诚地聊聊传统推荐系统的“天花板”和增长乏力背后的深层原因。然后，通过与爆火的大语言模型对比，理解生成式推荐带来的范式转变——它如何从“预测下一个点击”变为“生成整个用户兴趣序列”，以及这种转变所蕴含的巨大潜力。为你建立“这确实是一场革命”的认知基础。
第二章：算法基石——生成式推荐到底是怎么工作的？
这一部分，我们深入算法内部。从 Transformer 的核心 Scaling Law 讲起，回顾推荐系统的“GPT-3 前夜”。重点剖析当前主流技术路线：
- Item ID 和特征工程流派：溯源 SASRec、Bert4Rec，站在新时代的视角重新审视序列推荐模型设计。
- 语言模型派：直接用 LLM 做推荐，它的优势和致命短板是什么？
- 语义 ID 生成派（如 Tiger、OneRec）：如何为商品/视频学习出“语义 ID”，再用生成模型来预测？这是当前落地的主流。
- 扩散模型派：Diffusion 如何应用于推荐？它带来了哪些新想象？ 学完这部分，你不仅能看懂论文，更能理解为什么大多数华丽的前沿算法在工业界“寸步难行”。
第三章～第五章：工业实战——深度拆解三条核心落地路线
这是课程最“干”的部分。我们将像解刨麻雀一样，研究两个已被大厂验证的工业体系：
- Meta HSTU 路线：详解其召回与排序模型原理，并借助美团、小红书的落地报告，分析其优缺点与适用场景。
- 快手 OneRec 路线：这是当前最受关注的端到端生成式推荐系统之一。我们将从语义 ID 生成（Tiger）、码表优化（RQ-Kmeans、RQ-VAE）、模型训练（OneRec Rank）一直讲到推理压缩（OneRecV2）和让模型“思考”的进阶技巧（OneRec-think）。完整呈现一个工业级生成式系统是如何搭建和演进的。
- OnePiece 路线：这是傅聪老师所在的团队提出，在 Shopee 全流量落地的，全行业首个激活推荐模型推理能力的召回-排序框架，试图探索更接近 LLM 的“统一大脑”范式。你将学到如何将 LLM 的上下文工程、思维链、隐式推理等先进经验迁移到推荐中。
第六章：系统重构——你的技术路线图
技术变革从来不只是模型切换。这部分，我们将回归工程本质，探讨在生成式范式下，数据、样本、特征、训练、服务整个链路需要如何重构。我们会对比不同模式的工业架构与评估体系，并最终落脚到一个所有技术决策者最关心的问题：面对多条技术路径，我该如何根据自身业务特点，设计出最适合自己的生成式技术发展路线图。
第七章：业界广角——更多精彩案例与展望
最后，我们把视野放宽，看看行业里其他有趣的实践：字节如何处理超长行为序列（Longer）；如何跳出 Transformer 框架寻找新架构（RankMixer）；阿里如何构建“生成式”用户理解模型（LUM）；以及所有人都在追求的极致性价比——模型压缩与推理加速。最后，我们将一起探讨这场技术革命，对行业生态和我们算法从业者个人，将会带来怎样的冲击与机遇。
这门课的核心价值，是“弥合鸿沟”——在激动人心的学术概念与错综复杂的工业现实之间，为你架起一座坚固的桥梁。无论你是想深入理解趋势，还是正准备启动技术改造，相信这门课都能给你带来切实的启发和帮助。
课程目录（更新中）
课程介绍
- 课程介绍｜推荐系统已死？生成式推荐技术革命已来临！
系统性对比：生成式推荐好在哪？
- 01｜“传统”推荐系统的局限：我的模型为什么优化不动了？
- 02｜前车可鉴：对比大语言模型和生成式推荐
- 03｜变革前夜：为什么生成式推荐是未来？
算法原理：生成式算法基础
- 04｜越大越牛？Transformer和它的scaling law
- 05｜推荐系统的GPT3时刻（上）：SasRec
- 06｜推荐系统的GPT3时刻（下）：Bert4Rec
- 07｜语言体系之争（上）：LLM as Recommender
- 08｜语言体系之争（中）：Recforest算法
- 09｜语言体系之争（下）：Tiger算法
- 10｜另辟蹊径：Diffusion For Rec
工业技术路线（一）：Meta HSTU系列
工业技术路线（二）：OneRec
工业技术路线（三）：OnePiece
系统重构：重新理解数据、样本、特征、训练和服务
更多工业落地案例
直播回放
- 直播加餐｜生成式AI重塑推荐系统：是终极进化，还是美丽泡沫？
作者介绍
推荐
