摘要：最近在review 很多同学resume 的时候， 发现很多希望转型 MLE 的同学在简历中常遇到一个问题：缺乏业界ML背景的项目经验。今天我分享一个YouTube Shorts 推荐系统，帮助大家理解视频推荐背后的核心架构，并动手实现一套完整的推荐系统pro

ML 推荐系统实战项目练习：YouTube Shorts 推荐系统（RecSys）

最近在review 很多同学resume 的时候， 发现很多希望转型 MLE 的同学在简历中常遇到一个问题：缺乏业界ML背景的项目经验。今天我分享一个YouTube Shorts 推荐系统，帮助大家理解视频推荐背后的核心架构，并动手实现一套完整的推荐系统project。

该项目围绕YouTube Shorts AI Recommendation System 为场景，构建一个兼顾 实时性、多目标优化和推荐多样性 的推荐引擎。从候选生成、排序建模，到在线推理、A/B测试与MLOps，覆盖端到端推荐系统生命周期。

⸻

技术栈说明（Tech Stack）

• Pandas / NumPy：日志解析、特征工程与用户行为序列处理

• Scikit-learn / TensorFlow / PyTorch：构建候选生成模型、排序模型与多目标优化模型

• FAISS / ScaNN：实现近邻检索（用于热门内容、相似视频召回）

• GNN / Transformer：建模用户-视频交互图与上下文信息

• FastAPI：部署线上模型服务，提供实时推荐结果查询接口

• TFX / Vertex AI / Redis：构建低延迟推理与在线特征服务

• Prometheus / Grafana：性能监控与推荐服务可视化

• Kubeflow Pipelines：实现自动训练、测试、部署的推荐系统流水线

⸻

项目模块（Project Modules）

• Session-Aware Data Pipeline：仿真用户短视频观看行为，构建时序行为数据集与内容元数据

• Candidate Generation：基于用户偏好召回相似视频，支持多源召回策略（协同过滤、热门内容、相似标签）

• Ranking Model：构建 Transformer + 多任务损失函数模型，同时优化观看时长、点赞率与内容多样性

• Online Serving：利用 FastAPI 和 Redis 实现低延迟候选排序服务

• Evaluation + A/B Testing：支持 NDCG@K、Diversity Score、Scroll Skip Rate 等评估指标；内置模拟 A/B 流程用于模型迭代

• Monitoring + MLOps：搭建完整自动化训练-评估-部署闭环，支持日志采集与实时监控

⸻

• 具备基础 Python/ML 能力，期望进阶至推荐系统/个性化算法方向的candidate

• 准备 Tech 企业 MLE / RecSys / AI Infra 岗位面试的同学

• 希望积累可展示在 GitHub / 简历 / 面试中的业界项目

⸻

能力收获

• 熟悉短视频推荐场景中的系统架构与建模难点（冷启动、多目标优化、低延迟等）

• 掌握推荐系统从召回、排序到实时服务的核心模块实现方法

• 熟练使用推荐系统中常见的工程组件（如 FAISS、Redis、TFX、Kubeflow）

• 能将项目打包为可交付成果，写入简历并作为 Portfolio 对外展示

⸻

说明

本项目可在本地运行，已附带数据模拟脚本与核心模块模板，适合个人独立完成。支持部署 API 接口、在线监控、评估指标可视化，并附带 Resume Bullet 与项目报告模版，便于直接使用。

最后同学们如果看完后有任何问题可以随时告诉我。 如果有resume review 或 mock 需求的同学也欢迎 DM～

来源：文化小探险