香港推荐系统课程内容与实践项目
推荐系统（Recommender System）是当下互联网产品最核心的”流量分配器”——从短视频、电商、外卖到金融产品，背后都离不开一套把”对的商品推给对的人”的算法。对于希望赴港深造或转向数据科学、人工智能方向的内地同学来说，推荐系统既是学术研究的活跃领域，也是工业界最易落地的就业方向。
本文整理香港本地高校与公开平台开设的与推荐系统相关的课程内容、典型实践项目与选课建议，供正在规划赴港留学或自我提升的读者参考。具体课程名单、学期安排、学费标准请以各院校官方最新公布为准。
一、推荐系统的学习框架
推荐系统的知识结构大致可分为四个层次：
- 数学基础：概率统计、线性代数、最优化理论
- 经典算法：协同过滤（Collaborative Filtering）、矩阵分解（Matrix Factorization）、基于内容的过滤（Content-based）
- 深度学习时代：双塔模型（DSSM）、序列推荐（GRU4Rec、SASRec）、图神经网络（LightGCN）、大模型与推荐融合（LLM4Rec）
- 工业系统：召回—粗排—精排—重排的多阶段架构、特征工程、AB实验、在线学习、冷启动与公平性
香港高校的硕士项目（如计算机科学、数据科学、人工智能、商业分析等）通常会覆盖前三层，并通过 Capstone 项目让学生接触第四层。下面分别介绍课程内容与配套实践。
二、典型课程内容拆解
1. 推荐系统专题课（Recommender Systems）
多数高校以一门 3 学分的选修课形式开设，授课内容包括：
- 协同过滤：User-based、Item-based、Slope One、SVD++
- 矩阵分解：FunkSVD、PMF、BPR（贝叶斯个性化排序）
- 深度推荐模型：NCF（Neural Collaborative Filtering）、DeepFM、Wide & Deep、DIN
- 序列与图模型：GRU4Rec、SASRec、LightGCN
- 工业架构：召回双塔、粗排 LR / GBDT、精排深度模型、重排规则与多样性
- 评估方法：RMSE、MAP、NDCG、HR@K、Coverage、Diversity、Fairness
2. 数据挖掘 / 机器学习核心课
为推荐系统打底，通常先修或同修：
- 监督学习（LR、SVM、树模型）
- 无监督学习（聚类、降维）
- 深度学习基础（CNN、RNN、Transformer、注意力机制）
- 强化学习入门（用于 Bandit 类召回）
3. 自然语言处理 / 大模型选修
随着 LLM 普及，部分高校把”大模型 + 推荐”作为独立章节：
- Prompt Engineering 与指令微调
- Embedding 模型（BGE、E5、OpenAI Embedding）
- 用 LLM 生成用户画像、商品标签
- RAG 架构在商品问答中的应用
4. 大数据与系统工程
工业推荐系统离不开分布式计算：
- Hadoop / Spark / Flink 基础
- Kafka 实时数据流
- Redis / Faiss / Milvus 向量检索
- TFRS（TensorFlow Recommenders）等开源框架
三、常见实践项目与数据集
香港高校的实践项目通常与本地企业或公开数据集结合，下面分类列出典型选题。
1. 公开数据集练习
| 数据集 | 规模 | 任务类型 | 备注 |
|---|---|---|---|
| MovieLens | 10万–2500万评分 | 评分预测 / Top-N | 入门首选，便于快速跑通基线 |
| Amazon Reviews | 千万级商品、亿级评论 | 序列推荐 / 跨域推荐 | 多领域、多行为 |
| Yelp Open Dataset | 商家 + 评论 + 图片 | 兴趣推荐 + 多模态 | 商户数据适合商业分析方向 |
| Steam | 千万级游戏交互 | 序列 + 图推荐 | 适合强化学习与序列建模 |
| Taobao / Tmall | TB 级 | 大规模召回 + 排序 | 部分公开赛可下载，需配合 Spark |
2. 课程项目常见题目
- 新闻推荐：基于 MIND 数据集，结合用户点击序列与文章 embedding，搭建端到端召回—排序流水线
- 音乐推荐：使用 Spotify Million Playlist 或 LFM-1b，引入音频特征做多模态融合
- 电商场景：模拟”双十一”流量高峰，部署召回服务到云端，做 AB 实验设计与效果对比
- 社交推荐：用 Twitter / Weibo 数据，结合关注关系图，建模社交信号对推荐的影响
- 冷启动研究：仅用物品文本与图片 embedding 完成新商品推荐，对比内容召回与协同召回的差距
3. Capstone 与企业合作项目
多数授课型硕士（MSc）设有 6 个月左右的 Capstone 项目，与香港或大湾区企业合作，往年合作机构包括电商平台、媒体集团、金融科技公司与本地连锁零售。学生通常需要：
- 搭建离线 Pipeline（数据清洗、特征工程、模型训练）
- 部署在线服务（API 或嵌入式 SDK）
- 设计离线评估与线上 AB 实验
- 撰写技术报告与商业分析汇报
⚠️ 企业合作项目的具体名单每年由学校与公司双向选择确定，以当年学院公布的官方清单为准。
四、推荐的技术栈与学习资源
1. 编程与基础工具
- 语言：Python 为主，SQL 必备，部分底层岗位要求 Java / Scala / C++
- 机器学习框架：scikit-learn、XGBoost、LightGBM、PyTorch、TensorFlow
- 深度推荐框架：TFRS、DeepCTR、RecBole（推荐系统统一实验框架）
- 向量检索：Faiss、Milvus、Annoy
- 数据处理：Pandas、Spark SQL、Flink
2. 论文与开源项目
- 学术论文：RecSys、KDD、SIGIR、CIKM、WWW、AAAI
- 综述论文：He et al. 2017《Neural Collaborative Filtering》、Zhang et al. 2019《Deep Learning based Recommender System》
- 开源工具：Microsoft Recommenders（提供完整 Notebook）、RecBole、EasyRec
- 课程参考：Stanford CS246、Mining of Massive Datasets；fast.ai Practical Deep Learning；港校 open courseware
3. 比赛与社区
- Kaggle 推荐类比赛（如 OTTO、Ant Product Search、H&M Personalized Fashion）
- 天池、DataCastle 等中文数据竞赛平台
- 阿里、字节、美团的技术博客（工业界实战经验最丰富）
五、选课与申请建议
1. 给本科在读、计划赴港读硕的同学
- 数学基础先打牢：概率论、线性代数、最优化是所有推荐课程的隐藏门槛
- 项目经验比 GPA 更重要：1–2 个完整的端到端项目（数据 → 模型 → 部署 → 评估）比单纯刷分更有说服力
- GitHub 个人主页要清晰：README、模型架构图、实验结果表、可复现的 Notebook
- 关注课程选修清单：并非所有 MSc 项目都把”Recommender Systems”列为必修，务必查清选修课清单与开课学期
2. 给已经在职、希望转型的工程师
- 可以先修香港高校的 MOOC 或短期课程（如港大、港中文、港科大的在线项目），再考虑正式申请
- 学习路径：协同过滤 → 深度模型 → 序列与图模型 → 大模型与推荐 → 工业架构
- 作品集建议：复现一篇顶会论文 + 在公开数据集上做出自己的改进（如换 backbone、加 side info、做 AB 分析）
3. 给跨专业背景的同学
- 推荐系统对数学要求比 CV / NLP 略低，但对工程能力要求更高
- 先掌握 SQL + Python + 基础 ML，再补深度学习与系统工程
- 商业分析（BA）背景的同学可以侧重”业务理解 + 评估指标”方向，把推荐系统当作产品决策工具来学习
六、就业方向与岗位画像
推荐系统相关岗位在香港与内地都有稳定需求：
| 岗位方向 | 典型职责 | 技能侧重 |
|---|---|---|
| 推荐算法工程师 | 召回、排序、特征工程 | 深度学习、序列模型、Embedding |
| 推荐系统工程师 | 离线 / 在线 Pipeline、分布式部署 | Spark、Flink、Kafka、Java/Scala |
| 推荐产品 / 数据分析 | 业务理解、AB 实验、指标体系 | SQL、统计、产品 sense |
| 研究科学家（Research Scientist） | 顶会论文、算法创新 | 理论 + 工程双修 |
香港的互联网公司、本地银行金融科技部门、大湾区跨境电商都是潜在雇主；内地学生若计划留港工作，建议同时关注 IANG 签证政策与本地人才清单的最新变化。
七、写在最后
推荐系统是一个”理论够深、工程够实、场景够多”的领域。从香港高校的课程设置看，学术训练与工业实践的结合度在逐年加深——学校越来越愿意把真实业务场景拆成课程项目，让学生走出”跑通 Notebook 就算成功”的舒适区。
无论你是计划赴港读研的本科生，还是希望系统补强推荐知识的在职工程师，先把经典算法学扎实，再补深度学习，最后落地一个端到端项目，是经过验证的高效路径。
更多关于香港高校的申请策略、专业对比、生活与签证指南，欢迎持续关注 香港大全。
常见问答
香港高校的硕士项目里一定会有”推荐系统”这门课吗？
并不一定。文章指出，并非所有 MSc 项目都把 Recommender Systems 列为必修，选修课清单与开课学期每年都可能调整，建议在选课前查阅目标项目当年的课程手册，以学院官方公布的最新信息为准。
没有计算机本科背景，能转方向学推荐系统吗？
可以。文章建议跨专业背景的同学先掌握 SQL、Python 与基础机器学习，再补深度学习与系统工程；数学门槛相对 CV、NLP 略低，但对工程能力的要求更高，商业分析背景的同学也可以从”业务理解 + 评估指标”切入。
推荐系统课程的实践项目一般用什么数据集？
文章列举的常见数据集包括 MovieLens、Amazon Reviews、Yelp Open Dataset、Steam 以及 Taobao / Tmall 等公开数据集，分别对应评分预测、序列推荐、多模态推荐与大规模召回排序等任务。其中 MovieLens 被描述为入门首选，便于快速跑通基线。
在职工程师想补推荐系统知识，香港有什么学习路径？
可以先修读港大、港中文、港科大等院校的 MOOC 或短期在线课程，再考虑正式申请。系统学习路径建议按”协同过滤 → 深度模型 → 序列与图模型 → 大模型与推荐 → 工业架构”的顺序递进，并复现一篇顶会论文、在公开数据集上做出自己的改进作为作品集。
推荐系统方向毕业后在香港容易找工作吗？
文章提到，推荐算法与系统工程岗位在香港的互联网公司、本地银行金融科技部门以及大湾区跨境电商都有稳定需求。建议内地学生在求职时同步关注香港 IANG 签证政策与本地人才清单的最新变化，具体名额与签证细则以官方最新公布为准。