掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
實用推薦系統 版權信息
- ISBN：9787121420788
- 條形碼：9787121420788 ; 978-7-121-42078-8
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
實用推薦系統 本書特色
介紹推薦系統原理和關鍵算法，配備大量代碼，適合入門 對于書中所涉及的數學和統計學知識，均提供示例圖和代碼，直觀易懂 涵蓋從數據收集到生成推薦的全過程，提供詳細的Python代碼及注釋，代碼可在GitHub上下載 剖析流行的算法在Amazon和Netflix上的應用" "“這本書涵蓋了技術背景知識，并以清晰簡短的Python代碼演示了實現。” ——Andrew Collier，Exegetic公司 “你有沒有想過Amazon和Netflix是如何了解你對產品和電影的喜好，并提供相關推薦的？這本書會告訴你它們是如何做到的！” ——Amit Lamba， Tech Overture公司 “這本書講了關于推薦系統的一切，從入門到不錯概念。” ——Jaromir D.B. Nemec，DBN公司 “這是一本實用的深入了解推薦系統的圖書！” ——Peter Hampton，阿爾斯特大學
實用推薦系統 內容簡介
要構建一個實用的“智能”推薦系統，不僅需要有好的算法，還需要了解接收推薦的用戶。本書分為兩部分，部分側重于基礎架構，主要介紹推薦系統的工作原理，展示如何創建推薦系統，以及給應用程序增加推薦系統時，應該如何收集和應用數據 ；第二部分側重于算法，介紹推薦系統算法，以及如何使用系統收集的數據來計算向用戶推薦什么內容。作者還教授了如何使用很流行的推薦算法，并剖析它們在 Amazon 和 Netflix 等網站上的實際應用。
實用推薦系統 目錄
第1部分 推薦系統的準備工作
第1章 什么是推薦
1.1 現實生活中的推薦
1.1.1 推薦系統在互聯網上大顯身手
1.1.2 長尾
1.1.4 推薦系統的定義
1.2 推薦系統的分類
1.2.1 域
1.2.2 目的
1.2.3 上下文
1.2.4 個性化級別
1.2.5 專家意見
1.2.6 隱私與可信度
1.2.7 接口
1.2.8 算法
1.3 機器學習與Netflix Prize
1.4 MovieGEEKs網站
1.4.1 設計與規范
1.4.2 架構
1.5 構建一個推薦系統
小結
第2章 用戶行為以及如何收集用戶行為數據
2.1 在瀏覽網站時Netflix如何收集證據
2.1.1 Netflix 收集的證據
2.2 尋找有用的用戶行為
2.2.1 捕獲訪客印象
2.2.2 可以從瀏覽者身上學到什么
2.2.3 購買行為
2.2.4 消費商品
2.2.5 訪客評分
2.2.6 以（舊的）Netflix 方式了解你的用戶
2.3 識別用戶
2.4 從其他途徑獲取訪客數據
2.5 收集器
2.5.1 構建項目文件
2.5.2 數據模型
2.5.3 告密者（snitch）：客戶端證據收集器
2.5.4 將收集器集成到 MovieGEEKs 中
2.6 系統中的用戶是誰以及如何對其進行建模
小結
第3章 監控系統
3.1 為什么添加儀表盤是個好主意
3.1.1 回答“我們做得怎么樣？”
3.2 執行分析
3.2.1 網站分析
3.2.2 基本統計數據
3.2.3 轉化
3.2.4 分析轉化路徑
3.2.5 轉化路徑
3.3 角色
3.4 MovieGEEKs儀表盤
3.4.1 自動生成日志數據
3.4.2 分析儀表盤的規范和設計
3.4.3 分析儀表盤示意圖
3.4.4 架構
小結
第4章 評分及其計算方法
4.1 用戶-商品喜好
4.1.1 什么是評分
4.1.2 用戶 - 商品矩陣
4.2 顯式評分和隱式評分
4.2.1 如何選擇可靠的推薦來源
4.3 重溫顯式評分
4.4 什么是隱式評分
4.4.1 與人相關的推薦
4.4.2 關于計算評分的思考
4.5 計算隱式評分
4.5.1 看看行為數據
4.5.2 一個有關機器學習的問題
4.6 如何計算隱式評分
4.6.1 添加時間因素
4.7 低頻商品更有價值
小結
第5章 非個性化推薦
5.1 什么是非個性化推薦
5.1.1 什么是廣告
5.1.2 推薦有什么作用
5.2 當沒有數據的時候如何做推薦
5.2.1 商品的十大排行榜
5.3 榜單的實現以及推薦系統組件的準備工作
5.3.1 推薦系統組件
5.3.2 GitHub 上的 MovieGEEKs 網站代碼
5.3.3 推薦系統
5.3.4 為 MovieGEEKs 網站添加一個榜單
5.3.5 使內容看起來更具吸引力
5.4 種子推薦
5.4.1 頻繁購買的商品與你正在查看的商品很相似
5.4.2 關聯規則
5.4.3 實現關聯規則
5.4.4 在數據庫中存儲關聯規則
5.4.5 計算關聯規則
5.4.6 運用不同的事件來創建關聯規則
小結
第6章 冷用戶（冷商品）
6.1 什么是冷啟動
6.1.1 冷商品
6.1.2 冷用戶
6.1.3 灰羊
6.1.4 現實生活中的例子
6.1.5 面對冷啟動你能做什么
6.2 追蹤訪客
6.2.1 執著于匿名用戶
6.3 用算法來解決冷啟動問題
6.3.1 使用關聯規則為冷用戶創建推薦信息
6.3.2 使用領域知識和業務規則
6.3.3 使用分組
6.3.4 使用類別來避免灰羊問題以及如何介紹冷商品
6.4 那些不詢問就很難被發現的人
6.4.1 當訪客數據不夠新時
6.5 使用關聯規則快速進行推薦
6.5.1 收集數據項
6.5.2 檢索關聯規則并根據置信度對其排序
6.5.3 顯示推薦內容
6.5.4 評估
小結
第2部分 推薦算法
第7章 找出用戶之間和商品之間的相似之處
7.1 什么是相似度
7.1.1 什么是相似度函數
7.2 基本的相似度函數
7.2.1 Jaccard 距離
7.2.2 使用 Lp-norm 測量距離
7.2.3 Cosine 相似度
7.2.4 通過 Pearson 相關系數查找相似度
7.2.5 運行 Pearson 相似度
7.2.6 Pearson 相關性系數與 Cosine 相似度類似
7.3 k-means聚類
7.3.1 k-means 聚類算法
7.3.2 使用 Python 實現 k-means 聚類算法
7.4 實現相似度
7.4.1 在 MovieGEEKs 網站上實現相似度
7.4.2 在 MovieGEEKs 網站上實現聚類
小結
第8章 鄰域協同過濾
8.1 協同過濾：一節歷史課
8.1.1 當信息被協同過濾時
8.1.2 互幫互助
8.1.3 評分矩陣
8.1.4 協同過濾管道
8.1.5 應該使用用戶 - 用戶還是物品 - 物品的協同過濾
8.1.6 數據要求
8.2 推薦的計算
8.3 相似度的計算
8.4 Amazon預測物品相似度的算法
8.5 選擇鄰域的方法
8.6 找到正確的鄰域
8.7 計算預測評分的方法
8.8 使用基于物品的過濾進行預測
8.8.1 計算物品的預測評分
8.9 冷啟動問題
8.10 機器學習術語簡介
8.11 MovieGeeks網站上的協同過濾
8.11.1 基于物品的過濾
8.12 關聯規則推薦和協同推薦之間有什么區別
8.13 用于協同過濾的工具
8.14 協同過濾的優缺點
小結
第9章 評估推薦系統
9.1 推薦系統的評估周期
9.2 為什么評估很重要
9.3 如何解釋用戶行為
9.4 測量什么
9.4.1 了解我的喜好，盡量減少預測錯誤
9.4.2 多樣性
9.4.3 覆蓋率
9.4.4 驚喜度
9.5 在實現推薦之前
9.5.1 驗證算法
9.5.2 回歸測試
9.6 評估的類型
9.7 離線評估
9.7.1 當算法不產生任何推薦時該怎么辦
9.8 離線實驗
9.8.1 準備實驗數據
9.9 在MovieGEEKs中實現這個實驗
9.9.1 待辦任務清單
9.10 評估測試集
9.10.1 從基線預測器開始
9.10.2 找到正確的參數
9.11 在線評估
9.11.1 對照實驗
9.11.2 A/B 測試
9.12 利用exploit/explore持續測試
9.12.1 反饋循環
小結
第10章 基于內容的過濾
10.1 舉例說明
10.2 什么是基于內容的過濾
10.3 內容分析器
10.3.1 從物品配置文件提取特征
10.3.2 數量較少的分類數據
10.3.3 將年份轉換為可比較的特征
10.4 從描述中提取元數據
10.4.1 準備描述
10.5 使用TF-IDF查找重要單詞
10.6 使用LDA進行主題建模
10.6.1 有什么方法可以調整 LDA
10.7 查找相似內容
10.8 如何創建用戶配置文件
10.8.1 使用 LDA 創建用戶配置文件
10.8.2 使用 TF-IDF 創建用戶配置文件
10.9 MovieGEEKs中基于內容的推薦
10.9.1 加載數據
10.9.2 訓練模型
10.9.3 創建物品配置文件
10.9.4 創建用戶配置文件
10.9.5 展示推薦
10.10 評估基于內容的推薦系統
10.11 基于內容過濾的優缺點
小結
第11章 用矩陣分解法尋找隱藏特征
11.1 有時減少數據量是好事
11.2 你想要解決的問題的例子
11.3 談一點線性代數
11.3.1 矩陣
11.3.2 什么是因子分解
11.4 使用SVD構造因子分解
11.4.1 通過分組加入添加新用戶
11.4.2 如何使用 SVD 進行推薦
11.4.3 基線預測
11.4.4 時間動態
11.5 使用Funk SVD構造因子分解
11.5.1 均方根誤差
11.5.2 梯度下降
11.5.3 隨機梯度下降
11.5.4 *后是因子分解
11.5.5 增加偏差
11.5.6 如何開始，何時結束
11.6 用Funk SVD進行推薦
11.7 MovieGEEKs中的Funk SVD實現
11.7.1 如何處理異常值
11.7.2 保持模型的更新
11.7.3 更快的實施方法
11.8 顯式數據與隱式數據
11.9 評估
11.10 用于Funk SVD的參數
小結
第12章 運用*佳算法來實現混合推薦
12.1 混合推薦系統的困惑世界
12.2 單體
12.2.1 將基于內容的特征與行為數據混合，以改進協同過濾
推薦系統
12.3 摻雜式混合推薦
12.4 集成推薦
12.4.1 可切換的集成推薦
12.4.2 加權式集成推薦
12.4.3 線性回歸
12.5 特征加權線性疊加（FWLS）
12.5.1 元特征 ：權重作為函數
12.5.2 算法
12.6 實現
小結
第13章 排序和排序學習
13.1 Foursquare的排序學習例子
13.2 重新排序
13.3 什么是排序學習
13.3.1 三種類型的 LTR 算法
13.4 貝葉斯個性化排序
13.4.1 BPR 排序
13.4.2 數學魔術（高級巫術）
13.4.3 BPR 算法
13.4.4 具有矩陣分解的 BPR
13.5 BPR的實現
13.5.1 執行推薦
13.6 評估
13.7 用于BPR的參數
小結
第14章 推薦系統的未來
14.1 本書內容總結
14.2 接下來要學習的主題
14.2.1 延伸閱讀
14.2.2 算法
14.2.3 所處環境
14.2.4 人機交互
14.2.5 選擇一個好的架構
14.3 推薦系統的未來是什么
14.4 *后的想法
14.4 *后的想法
展開全部
實用推薦系統 作者簡介
Kim Falk 是一位數據科學家，他在構建數據驅動的應用程序方面有著豐富的經驗。他對推薦系統和機器學習很感興趣。他所訓練的推薦系統，為用戶推薦合適的電影，為人們推送廣告，甚至幫助律師找到判例法的內容。自 2010 年以來，他一直從事大數據解決方案和機器學習方面的工作。Kim 經常參與有關推薦系統的演講和寫作。當 Kim 不工作的時候，他就是一個居家男人，一位父親，會帶著他的德國短毛指示犬越野跑。 李源，曾在華為技術有限公司從事開發、系統架構、項目管理等多個崗位的工作，后在途牛旅游網擔任研發中心總經理一職，目前在中國旅游集團旅行服務事業群擔任研發總經理，有豐富的研發、架構設計及管理經驗，負責過多個大型項目的規劃和落地，曾翻譯《Java性能調優指南》、《Serverless架構》等書籍。 朱罡罡，2012年西安電子科技大學本科畢業，曾擔任知名上市OTA企業系統架構師、研發總監等職位，目前就職于TOP50央企信息技術部，擔任研發經理崗位，擁有發明專利1個。技術研究領域涵蓋互聯網系統技術架構設計、大數據、推薦系統算法等，對在線旅游系統的基于用戶推薦和基于內容推薦有過一定的研究。 溫睿，互聯網行業從業9年，資深系統架構師，從事過大型高并發Web網站開發、手機APP開發、IM服務開發、微服務系統架構等工作，熟練掌握各種常用前后端開發語言、腳本語言和框架。
書友推薦
- >
月亮與六便士
- >
龍榆生：詞曲概論/大家小書
- >
姑媽的寶刀
- >
【精裝繪本】畫給孩子的中國神話
- >
苦雨齋序跋文-周作人自編集
- >
小考拉的故事-套裝共3冊
- >
羅曼·羅蘭讀書隨筆-精裝
- >
巴金－再思錄
本類暢銷
