基于大模型的对话式推荐算法系统与信息流个性化推荐

一、课程优势 本课程有陈敬雷老师的清华大学出版社配套新书教材《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）。 新书配合此实战课程结合学习，一静一动，互补高效学习！ 配套书籍京东自营地址： https://item.jd.com/15073742.html 本课程由互联网一线知名大牛陈敬雷老师全程亲自授课，技术前沿热门，是真正的互联网工业级实战项目。 二、课程简介 大模型对话式推荐系统与信息流个性化推荐：从架构设计到全链路落地实战课 AI推荐赛道内卷加剧，大模型对话式推荐成企业破局关键，但你是否陷入双重困境？——懂点推荐算法，却摸不透“大模型对话能力与传统推荐系统的融合逻辑”；知道要搭系统，却卡在“数据仓库搭建、ETL清洗、缓存优化、搜索引擎对接”等工程环节；想落地项目，要么只懂算法不懂工程协同，要么不知多角色如何配合，只能“边查边试”走弯路？ 更关键的是，你是否误以为“推荐系统=推荐算法”？实则推荐是完整系统工程——从Hadoop数据仓库集市、ETL数据处理，到离线/准实时算法、Redis分布式缓存、分布式搜索引擎，再到二次重排序、AB测试评估、推荐位管理，每个子系统环环相扣；更需要大数据工程师、ETL工程师、算法工程师、Web开发工程师多角色协同，缺一环都难落地！ 这门课专为想抢占“大模型+信息流推荐”复合赛道的你而来！既讲大模型对话式推荐的智能内核，又透传一线大厂推荐系统的工程链路，从技术原理到落地实操，层层拆解“大模型对话能力+传统推荐系统工程化”的融合落地： 从0到1吃透系统整体架构，搞懂“大模型模块与推荐子系统（数据仓库、ETL、缓存、搜索）”的协同逻辑；聚焦数据根基，搭建推荐数据仓库集市、做ETL数据清洗，解决“数据质量差导致算法无用”的痛点；攻坚算法层，覆盖CF协同过滤、ALS交替最小二乘法、ContentBase文本挖掘、用户画像标签提取，再融合大模型实现“对话式精准推荐”；落地工程层，学Redis分布式缓存、分布式搜索引擎、准实时在线学习引擎，保障推荐毫秒级响应；优化推荐效果，掌握基于逻辑回归/GBDT/Learning to Rank的二次重排序，以及离线+在线AB测试评估；搞定管理与交互，搭建推荐位管理平台、设计人性化对话交互，同时理解“大数据工程师→算法工程师→Web开发工程师”的多角色协同逻辑！ 不管你是AI新手想系统入门推荐领域，还是从业者想突破“懂算法不懂工程、懂工程不懂大模型”的瓶颈，这门课都能帮你摆脱“碎片化学习、落地无章法”的困境，从0到1掌握“大模型对话+信息流推荐”全链路技能，把技术能力转化为可落地的大厂级项目成果，在AI推荐浪潮中精准卡位！ 课程核心亮点：大模型智能+工程落地双驱动，锻造推荐系统全栈能力 1. 全链路覆盖，打破“算法/工程/大模型”壁垒：既讲大模型对话式推荐的核心（意图识别、多轮对话），又透传传统推荐系统的工程全链路（数据仓库、ETL、缓存、搜索、重排序、AB测试），避免“懂大模型不懂工程落地，懂工程不懂大模型融合”的短板； 2. 大厂实战导向，还原真实系统搭建：深度解密一线大型互联网公司推荐系统实战逻辑，从“推荐数据仓库集市搭建”到“在线Web实时推荐引擎源码解析”，从“用户画像系统拆解”到“多策略融合算法落地”，每个模块都对标大厂真实项目； 3. 算法+工程双重视角，适配多角色需求：既满足算法工程师对“ALS、Learning to Rank、大模型微调”的深度需求，也覆盖大数据工程师“ETL数据处理、Hadoop集群搭建”、Web开发工程师“在线推荐接口开发”的实操需求，让不同角色都能学到适配技能； 4. 解决落地痛点，学完即能用：针对“数据质量差、推荐响应慢、效果难评估、策略难迭代”等真实痛点，教你用ETL清洗数据、Redis加速响应、AB测试评估效果、推荐位管理平台快速迭代，每个知识点都配套可复用的代码与方案。 课程模块详解：体系化学习，从“架构”到“落地”无死角 1. 大模型对话式推荐系统：整体架构设计（对标大厂实战）带你跳出“只看算法”的误区，从0到1拆解大厂级推荐系统架构！解析“大模型对话模块”与“推荐子系统（数据仓库、算法层、工程层）”的协同逻辑，明确各模块职责（如数据层负责数据存储清洗、算法层负责精准推荐、对话层负责用户意图理解），同时讲解“架构师如何协调多角色（大数据/算法/Web开发工程师）”，帮你建立“系统全局观”，避免搭建时顾此失彼。 2. 推荐系统数据根基：数据仓库与ETL数据处理聚焦“推荐系统的血液——数据”！教你搭建基于Hadoop的推荐数据仓库集市，规范数据存储结构（如用户行为数据、商品数据、对话历史数据）；详解ETL数据处理全流程（抽取、转换、加载），包括数据清洗（处理缺失值、异常值）、数据整合（关联用户行为与对话数据），解决“算法再好，数据不行也白搭”的痛点，为后续推荐精准度筑牢根基。 3. 推荐核心算法：传统经典+大模型融合兼顾“传统推荐算法落地”与“大模型对话增强”，覆盖企业高频算法需求： - 传统算法实战：CF协同过滤用户行为挖掘、ALS交替最小二乘法、ContentBase文本挖掘、用户画像兴趣标签提取、基于用户心理学模型的推荐，教你用经典算法解决“用户兴趣匹配”基础问题； - 大模型融合：将大模型嵌入算法层，实现“基于对话历史的兴趣挖掘”（如用户说“想要小众但实用的产品”，大模型解析意图后触发对应推荐算法），解锁“对话式精准推荐”新能力。 4. 推荐工程层：保障“快”与“稳”的核心技术聚焦推荐系统的工程落地能力，解决“推荐响应慢、高并发扛不住”的问题： - 缓存与搜索：学Redis分布式缓存处理（缓存热门推荐结果，降低数据库压力）、分布式搜索引擎（快速检索海量商品/内容数据）； - 准实时引擎：搭建准实时在线学习推荐引擎，实时捕捉用户行为（如用户对话中提及的偏好），动态调整推荐策略； - 在线Web引擎：解析在线Web实时推荐引擎服务原理与核心源码，教你开发高并发推荐接口，适配App、网站前端的毫秒级调用需求。 5. 推荐效果优化：重排序与AB测试教你“让好推荐更精准，效果可衡量”： - 二次重排序：详解基于逻辑回归、GBDT、随机森林、Learning to Rank的重排序算法，解决“初始推荐结果杂乱”问题，让用户最可能喜欢的内容排在前面； - AB测试评估：覆盖离线AB测试（用历史数据验证算法效果）与在线AB测试（实时对比不同推荐策略的点击率、转化率），教你用数据指导系统优化，避免“凭感觉调策略”。 6. 推荐管理与交互：从“能跑”到“好用”覆盖推荐系统的“最后一公里”，让系统更易迭代、更懂用户： - 推荐位管理平台：教你搭建推荐位管理系统，实现“无需改代码即可切换推荐策略、配置推荐区域”，满足业务快速迭代需求； - 对话式交互设计：结合大模型能力，优化对话管理层（状态跟踪、意图识别、多轮对话策略），让系统“懂用户、会沟通”，比如用户追问“有没有更便宜的”时，能实时调整推荐结果； - 用户画像系统：深度解密大数据用户画像系统架构，讲解画像子系统如何与推荐系统联动（如用用户兴趣标签精准匹配推荐内容）。 7. 多角色协同：大厂推荐系统落地的组织逻辑解析“推荐系统不是算法工程师单打独斗”的真相：讲解大数据工程师（负责集群与数据仓库）、ETL工程师（数据清洗）、Web开发工程师（接口开发）、后台开发工程师（推荐位管理、报表）、架构师（整体设计）的职责分工与协作流程，帮你明确自身角色在系统中的定位，无论是求职还是项目协作都更有方向。 为什么选择这门课？四大核心优势，助你吃透“大模型+信息流推荐” 1. 权威实战沉淀，内容够硬核：课程融合《GPT 多模态大模型与 AI Agent 智能体》书籍理论框架、京东图书配套视频实操经验，以及一线大厂推荐系统（如信息流、电商推荐）的实战逻辑，既规避“纯理论空泛”，又杜绝“无体系盲练”，每个知识点都经企业落地验证； 2. 算法+工程双驱动，学完即落地：拒绝“纸上谈兵”！从数据仓库搭建的SQL代码、ETL的Python脚本，到推荐引擎的Java源码、AB测试的评估指标计算，每个模块都配套可直接复用的代码与方案，跟着练就能复现大厂级推荐系统； 3. 覆盖多角色需求，适配性强：不管你是想深耕算法的工程师、负责工程落地的开发人员，还是统筹项目的架构师，都能在课程中找到适配的知识点，避免“学的用不上”的问题； 4. 紧贴行业需求，求职/项目双加分：瞄准当下企业急需的“大模型+推荐系统”复合技能，覆盖电商、内容、服务等多领域落地场景，学完既能应对“大模型对话推荐”的新兴需求，又能搞定“信息流推荐工程”的传统需求，求职跳槽或主导公司项目都能精准适配！ 三、老师介绍 陈敬雷 充电了么创始人，CEO兼CTO 陈敬雷，北京充电了么科技有限公司创始人，CEO兼CTO，十几年互联网从业经验，曾就职于用友网络、中软集团、凡客诚品、唯品会、猎聘、人民日报(灵思云途)、北京万朝科技，曾任架构师、首席技术官、首席科学家等职务，对业务领域B端、C端、电商、职场社交招聘、内容文娱、营销行业都有着丰富的经验，在技术领域，尤其在大数据和人工智能方向有丰富的算法工程落地实战经验，其中在猎聘任职期间主导的推荐算法系统项目获得公司优秀项目奖，推荐效果得到5倍的提升。 此外，陈敬雷著有清华大学出版社四本人工智能书籍，分别是《分布式机器学习实战》《自然语言处理原理与实战》《GPT多模态大模型与AI Agent智能体》《DeepSeek大模型与具身智能实践》，颇受好评。同时陈敬雷还是知名大数据人工智能讲师，研发了上百门课程，总计有30万学员。 四、《GPT多模态大模型与AI Agent智能体》书籍配套视频课程介绍： 陈敬雷老师的京东自营书名标题： GPT多模态大模型与AI Agent智能体（跟我一起学人工智能）《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）是一本2025年清华大学出版社出版的图书，作者是陈敬雷，本书深入探讨了GPT多模态大模型与AI Agent智能体的技术原理及其在企业中的应用落地。 全书共8章，从大模型技术原理切入，逐步深入大模型训练及微调，还介绍了众多国内外主流大模型。LangChain技术、RAG检索增强生成、多模态大模型等均有深入讲解。对AI Agent智能体，从定义、原理到主流框架也都进行了深入讲解。在企业应用落地方面，本书提供了丰富的案例分析，如基于大模型的对话式推荐系统、多模态搜索、NL2SQL数据即席查询、智能客服对话机器人、多模态数字人，以及多模态具身智能等。这些案例不仅展示了大模型技术的实际应用，也为读者提供了宝贵的实践经验。 本书适合对大模型、多模态技术及AI Agent感兴趣的读者阅读，也特别适合作为高等院校本科生和研究生的教材或参考书。书中内容丰富、系统，既有理论知识的深入讲解，也有大量的实践案例和代码示例，能够帮助学生在掌握理论知识的同时，培养实际操作能力和解决问题的能力。通过阅读本书，读者将能够更好地理解大模型技术的前沿发展，并将其应用于实际工作中，推动人工智能技术的进步和创新。 五、配套书籍目录： 第1章 大模型技术原理 1．1 大模型技术的起源、思想 1．2 基于Transformer的预训练语言模型 1．2．1 编码预训练语言模型 1．2．2 解码预训练语言模型 1．2．3 基于编解码架构的预训练语言模型 1．3 提示学习与指令微调 1．3．1 提示学习 1．3．2 指令微调 1．4 人类反馈强化学习 1．4．1 强化学习 1．4．2 PPO算法 1．4．3 大模型人类反馈强化学习对齐 1．5 GPT智能涌现原理与AGI通用人工智能 1．5．1 什么是智能涌现 1．5．2 思维链 1．5．3 上下文学习能力 1．5．4 指令理解 1．5．5 通用人工智能 第2章 大模型训练及微调 2．1 大模型训练概述 2．2 分布式训练的并行策略 2．2．1 数据并行 2．2．2 模型并行 2．2．3 混合并行 2．2．4 并行计算框架 2．3 预训练模型的压缩 2．3．1 模型压缩方案概述 2．3．2 结构化模型压缩策略 2．3．3 非结构化模型压缩策略 2．3．4 8位/4位量化压缩实战 2．4 大模型微调方法 2．4．1 Prefix Tuning微调 2．4．2 P-Tuning V1微调 2．4．3 P-Tuning V2微调 2．4．4 LoRA微调 2．4．5 QLoRA微调 2．5 基于旋转位置编码RoPE的长文本理解 2．5．1 RoPE技术原理 2．5．2 RoPE关键特性 第3章 主流大模型 3．1 国内大模型 3．1．1 智谱清言ChatGLM 3．1．2 百川智能 3．1．3 百度文心一言 3．1．4 阿里巴巴通义千问 3．1．5 腾讯混元 3．1．6 华为盘古 3．1．7 360智脑 3．1．8 科大讯飞星火 3．1．9 智源悟道大模型 3．1．10 月之暗面Kimi 3．1．11 复旦大学MOSS 3．1．12 零一万物 3．1．13 字节跳动豆包大模型 3．2 国外大模型 3．2．1 OpenAI GPT-4o 3．2．2 Meta LLaMA 3．2．3 Anthropic Claude 3．2．4 谷歌Gemini和开源Gemma 3．2．5 Mistral Large 3．2．6 xAI Grok 3．3 垂直类大模型 3．3．1 HuatuoGPT 3．3．2 BianQue 3．3．3 BenTsao 3．3．4 XrayGLM 3．3．5 DoctorGLM 3．3．6 ChatMed 3．3．7 度小满轩辕 3．3．8 BloombergGPT 3．3．9 LawGPT 3．3．10 LexiLaw 3．3．11 Lawyer LLaMA 3．3．12 ChatLaw 3．3．13 ChatGLM-Math 第4章 LangChain技术原理与实践 4．1 LangChain技术原理 4．2 LangChain六大核心模块 4．2．1 模型I/O 4．2．2 数据增强模块 4．2．3 链模块 4．2．4 记忆模块 4．2．5 Agent模块 4．2．6 回调处理器 第5章 RAG检索增强生成 5．1 RAG技术原理 5．1．1 RAG的概念与应用 5．1．2 RAG技术架构 5．1．3 分块和向量化 5．1．4 搜索索引 5．1．5 重新排序和过滤 5．1．6 查询转换与路由 5．1．7 RAG中的Agent智能体 5．1．8 响应合成器 5．1．9 大模型微调和RAG优劣势对比 5．2 文本向量模型 5．2．1 Embedding模型、Reranker模型及ColBERT模型 5．2．2 阿里巴巴GTE向量模型 5．2．3 中文acge_text_embedding模型 5．2．4 智源中英文语义向量模型BGE 5．2．5 Moka开源文本嵌入模型M3E 5．2．6 OpenAI的text-embedding模型 5．3 向量数据库 5．3．1 Faiss 5．3．2 Milvus 5．3．3 Pinecone 5．3．4 Chroma 5．4 RAG应用实践 5．4．1 基于大模型构建企业私有数据的知识问答 5．4．2 应对大模型落地挑战的优化策略 第6章 多模态大模型 6．1 多模态基础模型 6．1．1 多模态对齐、融合和表示 6．1．2 CLIP 6．1．3 BLIP 6．1．4 BLIP-2 6．1．5 InstructBLIP和X-InstructBLIP 6．1．6 SAM 6．1．7 OpenFlamingo 6．1．8 VideoChat 6．1．9 PaLM-E 6．2 OpenAI多模态大模型DALL·E 3、GPT-4V、GPT-4o、Sora 6．2．1 文生图多模态大模型DALL·E 3 6．2．2 GPT-4V 6．2．3 端到端训练多模态大模型GPT-4o技术原理 6．2．4 文生视频多模态大模型Sora 6．3 通义千问多模态大模型 6．3．1 开源Qwen-VL和Qwen-VL-Chat 6．3．2 Qwen-VL-Plus和Qwen-VL-Max 6．4 开源端到端训练多模态大模型LLaVA 6．4．1 LLaVA 6．4．2 LLaVA-1．5 6．4．3 LLaVA-1．6 6．4．4 MoE-LLaVA 6．4．5 LLaVA-Plus 6．4．6 Video-LLaVA和LLaVA-NeXT-Video 6．5 零一万物多模态大模型Yi-VL系列 6．5．1 Yi-VL系列模型架构 6．5．2 Yi-VL系列模型训练微调及推理 6．6 清华系多模态大模型 6．6．1 VisualGLM-6B 6．6．2 CogVLM2 6．6．3 CogAgent 6．6．4 CogView、CogVideo和CogVideoX 6．6．5 CogCoM 6．6．6 GLM-4V-9B 第7章 AI Agent智能体 7．1 AI Agent智能体介绍和原理 7．1．1 AI Agent的定义与角色 7．1．2 AI Agent技术原理 7．2 主流大模型Agent框架 7．2．1 AutoGPT 7．2．2 MetaGPT 7．2．3 ChatDev 7．2．4 AutoGen 7．2．5 FastGPT 7．2．6 XAgent 7．2．7 GPT-Engineer 7．2．8 BabyAGI 7．2．9 SuperAGI 第8章 大模型在企业应用中落地 8．1 基于大模型的对话式推荐系统 8．1．1 基于大模型的对话式推荐系统技术架构设计 8．1．2 推荐AI Agent智能体 8．1．3 面向推荐的语言表达模型 8．1．4 知识插件 8．1．5 基于大模型的推荐解释 8．1．6 对话式推荐系统的新型评测方法 8．2 多模态搜索 8．2．1 多模态搜索技术架构设计 8．2．2 多模态搜索关键技术 8．2．3 多模态实时搜索与个性化推荐 8．3 基于自然语言交互的NL2SQL数据即席查询 8．3．1 NL2SQL数据即席查询技术原理 8．3．2 NL2SQL应用实践 8．4 基于大模型的智能客服对话机器人 8．4．1 大模型智能客服对话机器人技术原理 8．4．2 AI大模型赋能提升智能客服解决率新策略 8．4．3 基于大模型的智能客服对话机器人系统搭建 8．5 多模态数字人 8．5．1 多模态数字人技术原理 8．5．2 三维建模与三维重建 8．5．3 数字人形象设计 8．5．4 唇形同步算法 8．5．5 NeRF、ER-NeRF与RAD-NeRF模型 8．5．6 数字人项目实践 8．6 多模态具身智能 8．6．1 多模态具身智能概念及技术路线 8．6．2 多模态感知与场景理解 8．6．3 视觉导航 8．6．4 世界模型 8．6．5 具身智能模拟器 8．6．6 多模态多感官交互具身智能大模型 8．6．7 端到端强化学习人形机器人 8．6．8 多模态通才具身智能体