推荐系统，在信息大爆炸的今天，已经成为了互联网行业的主要驱动力。 其根本任务是联系用户和产品，解决信息过载的问题，通过分析用户行为，对用户兴趣建模，从而预测用户的兴趣并从海量的数据中筛选、推荐给用户感兴趣的信息。

随着行业数据规模的不断扩大，深度学习与推荐系统结合，基于大规模训练数据的深度学习推荐模型已经优于传统的内容推荐和协同过滤，然而复杂的模型与数据的快速增长也为实际的生产环境带来了新的挑战。

首先是庞大的数据量。商业级推荐系统的构建，往往需要通过庞大的数据训练实现，在这种规模下，数据的提取、转换、加载和预处理要比训练普通的深度学习模型花费更多的时间。

然后是大量的重复试验。在实际的生产环境部署之后，随着新用户、新趋势、和新项目的不断变化，系统需要不断定期的对模型进行再训练，保证随着时间的推移保持较高的准确性。

其次是实时性，即实时推断。对于每个用户的兴趣匹配，其参与评分的用户项可能高达数千，系统需要在处理高吞吐量为许多用户提供服务的同时，还需要以低延迟满足在线商务引擎的严格延迟阈值，这无疑给系统带来了很大的负担。

当然，实际环境的需求不同，所面临的问题也不同，而如何有效解决推荐系统在开发与部署过程中遇到的问题，智东西公开课推出推荐系统公开课NVIDIA专场，7月6日晚7点，NVIDIA 资深机器学习专家王泽寰主讲，为大家深度解析构建基于端到端的推荐系统应用框架Merin的架构组成及算法原理。