到目前为止，我们讲完了人工智能核心技术的第二个模块——推荐系统。
整个模块共**21期**，**7大主题**，希望通过这些内容，能让你对推荐系统核心技术有一个全面系统的认识和理解，为自己进一步学习和提升打下基础。今天我准备了21张知识卡，和你一起来对这一模块的内容做一个复盘。
提示：点击知识卡跳转到你最想看的那篇文章，温故而知新。如不能正常跳转，请先将App更新到最新版本。
## 现代推荐架构剖析
推荐架构需要解决的问题：
- 能够在一两百毫秒内给用户提供当前的推荐结果；
- 对用户和系统的交互结果做出响应；
- 考虑用户群体的覆盖率的问题。
[
](https://time.geekbang.org/column/article/5434)
[
](https://time.geekbang.org/column/article/5519)
[
](https://time.geekbang.org/column/article/5571)
## 简单推荐模型
[
](https://time.geekbang.org/column/article/4090)
[
](https://time.geekbang.org/column/article/4212)
[
](https://time.geekbang.org/column/article/4278)
## 基于隐变量的模型
我们通过模型的假设，知道隐变量之间的关系，但暂时并不知道隐变量的取值。因此需要通过“推断”过程来确定隐变量的实际取值。当我们知道了这些隐变量的取值之后，就可以根据这些取值来对未来的数据进行预测和分析。
隐变量往往还带有“统计分布”的假设。最简单的隐变量模型是高斯混合模型。
[
](https://time.geekbang.org/column/article/4421)
[
](https://time.geekbang.org/column/article/4484)
[
](https://time.geekbang.org/column/article/4569)
## 高阶推荐模型
[
](https://time.geekbang.org/column/article/4680)
[
](https://time.geekbang.org/column/article/4764)
[
](https://time.geekbang.org/column/article/4784)
## 推荐的Exploit和Explore算法
[
](https://time.geekbang.org/column/article/4881)
[
](https://time.geekbang.org/column/article/4903)
[
](https://time.geekbang.org/column/article/4915)
## 基于深度学习的推荐模型
[
](https://time.geekbang.org/column/article/5624)
[
](https://time.geekbang.org/column/article/5646)
[
](https://time.geekbang.org/column/article/5709)
## 推荐系统的评价
[
](https://time.geekbang.org/column/article/5075)
[
](https://time.geekbang.org/column/article/5117)
[
](https://time.geekbang.org/column/article/5221)
## 积跬步以至千里
最后，恭喜你在这个模块中已经阅读了**45397字**，听了**138分钟**的音频，获得一张新的**通关卡**，这是一个不小的成就。在人工智能领域的千里之行，我们又往前迈出了一步。
感谢你在专栏里的每一个留言，给了我很多思考和启发。期待能够听到你更多的声音，我们一起交流讨论。