推荐系统，本质上是一个过滤系统，通过算法模型将海量的信息进行逐步过滤，为用户在特定场景呈现 TA 可能喜欢的内容。构建一个推荐系统并不容易！由于涉及大量数据处理，例如特征提取转换、离线模型训练、模型评估、实时模型更新等等，一个推荐系统从实验到生成可用，环节较多，周期数月甚至更长!
基于 Amazon Web Services，可轻松构建推荐系统，在极大降低前期开发成本及运维成本的前提下，实现快速交付与运维。
前两期，我们分别介绍了什么是推荐系统、如何利用 Amazon Personalize 快速构建推荐系统（点击查看）。今天，继续带大家探索基于 Amazon SageMaker 构建推荐系统的方法，帮助您解决构建难题！赶紧看过来吧~
基于 Amazon SageMaker 构建推荐系统
用户需求痛点
● 处理数据和构建模型需要大量专业知识
解决方案
● 架构
● 优势
丰富的 ML 服务和流程 团队生产效率大幅提升 可以使用 Spot，大幅降低训练成本 提升安全
Amazon SageMaker 通过整合机器学习（ML）广泛功能集，以简化构建、训练和部署机器学习模型，同时无需担心维护多个环境和工作流。它提供了使用您目前已经使用的相同模型、框架和算法的灵活性，但可以自由地将所有时间集中在模型上，而不是扩展和应用程序集成的复杂性。
基于 Matrix Factorization（矩阵分解）的推荐算法，用矩阵分解的方法从评分矩阵中分解出用户—特性矩阵，特性—物品矩阵，得到了用户的偏好和每件物品的特性。矩阵分解的思想也被扩展和泛化到深度学习及 embedding 中，这样构建模型，能够增强模型的准确率及灵活易用性。
达成的效果
讲师介绍
许
庭
新
推荐阅读
Tech Camp | 利用 Amazon Personalize 快速构建推荐系统
Tech Camp | 快速解码推荐系统
Tech Camp | 如何使用 Amazon SageMaker 构建图像识别平台
