万本电子书0元读

万本电子书0元读

顶部广告

实用推荐系统电子书

暂无

售       价:¥

纸质售价:¥94.00购买纸书

71人正在读 | 0人评论 6.2

作       者:(丹麦)Kim Falk(金·福尔克)

出  版  社:电子工业出版社

出版时间:2021-10-01

字       数:21.2万

所属分类: 科技 > 计算机/网络 > 计算机理论与教程

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
要构建一个实用的“智能”推荐系统,不仅需要有好的算法,还需要了解收推荐的用户。本书分为两部分,部分侧重于基础架构,主要介绍推荐系统的工作原理,展示如何创建推荐系统,以及给应用程序增加推荐系统时,应该如何收集和应用数据 ;第二部分侧重于算法,介绍推荐系统算法,以及如何使用系统收集的数据来计算向用户推荐什么内容。作者还教授了如何使用流行的推荐算法,并剖析它们在 Amazon 和 Netflix 等网站上的实际应用。<br/>【作者】<br/>Kim Falk 是一位数据科学家,他在构建数据驱动的应用程序方面有着丰富的经验。他对推荐系统和机器学习很感兴趣。他所训练的推荐系统,为用户推荐合适的电影,为人们推送广告,甚至帮助律师找到判例法的内容。自 2010 年以来,他一直从事大数据解决方案和机器学习方面的工作。Kim 经常参与有关推荐系统的演讲和写作。当 Kim 不工作的时候,他就是一个居家男人,一位父亲,会带着他的德国短毛指示犬越野跑。 李源,曾在华为技术有限公司从事发、系统架构、项目管理等多个岗位的工作,后在途牛旅游网担任研发中心总经理一职,目前在中国旅游集团旅行服务事业群担任研发总经理,有丰富的研发、架构设计及管理经验,负责过多个大型项目的规划和落地,曾翻译《Java性能调优指南》、《Serverless架构》等书籍。朱罡罡,2012年西安电子科技大学本科毕业,曾担任知名上市OTA企业系统架构师、研发总监等职位,目前就职于TOP50央企信息技术部,担任研发经理岗位,拥有发明专利1个。技术研究领域涵盖互联网系统技术架构设计、大数据、推荐系统算法等,对在线旅游系统的基于用户推荐和基于内容推荐有过一定的研究。温睿,互联网行业从业9年,资深系统架构师,从事过大型高并发Web网站发、手机APP发、IM服务发、微服务系统架构等工作,熟练掌握各种常用前后端发语言、脚本语言和框架。<br/>
目录展开

内容简介

致谢

关于本书

关于作者

关于封面插图

第1部分 推荐系统的准备工作

什么是推荐

1.1 现实生活中的推荐

1.1.1 推荐系统在互联网上大显身手

1.1.2 长尾

1.1.3 Netflix的推荐系统

1.1.4 推荐系统的定义

1.2 推荐系统的分类

1.2.1 域

1.2.2 目的

1.2.3 上下文

1.2.4 个性化级别

1.2.5 专家意见

1.2.6 隐私与可信度

1.2.7 接口

1.2.8 算法

1.3 机器学习与Netflix Prize

1.4 MovieGEEKs网站

1.4.1 设计与规范

1.4.2 架构

1.5 构建一个推荐系统

小结

用户行为以及如何收集用户行为数据

2.1 在浏览网站时Netflix如何收集证据

2.1.1 Netflix收集的证据

2.2 寻找有用的用户行为

2.2.1 捕获访客印象

2.2.2 可以从浏览者身上学到什么

2.2.3 购买行为

2.2.4 消费商品

2.2.5 访客评分

2.2.6 以(旧的)Netflix方式了解你的用户

2.3 识别用户

2.4 从其他途径获取访客数据

2.5 收集器

2.5.1 构建项目文件

2.5.2 数据模型

2.5.3 告密者(snitch):客户端证据收集器

2.5.4 将收集器集成到MovieGEEKs中

2.6 系统中的用户是谁以及如何对其进行建模

小结

监控系统

3.1 为什么添加仪表盘是个好主意

3.1.1 回答“我们做得怎么样?”

3.2 执行分析

3.2.1 网站分析

3.2.2 基本统计数据

3.2.3 转化

3.2.4 分析转化路径

3.2.5 转化路径

3.3 角色

3.4 MovieGEEKs仪表盘

3.4.1 自动生成日志数据

3.4.2 分析仪表盘的规范和设计

3.4.3 分析仪表盘示意图

3.4.4 架构

小结

评分及其计算方法

4.1 用户-商品喜好

4.1.1 什么是评分

4.1.2 用户-商品矩阵

4.2 显式评分和隐式评分

4.2.1 如何选择可靠的推荐来源

4.3 重温显式评分

4.4 什么是隐式评分

4.4.1 与人相关的推荐

4.4.2 关于计算评分的思考

4.5 计算隐式评分

4.5.1 看看行为数据

4.5.2 一个有关机器学习的问题

4.6 如何计算隐式评分

4.6.1 添加时间因素

4.7 低频商品更有价值

小结

非个性化推荐

5.1 什么是非个性化推荐

5.1.1 什么是广告

5.1.2 推荐有什么作用

5.2 当没有数据的时候如何做推荐

5.2.1 商品的十大排行榜

5.3 榜单的实现以及推荐系统组件的准备工作

5.3.1 推荐系统组件

5.3.2 GitHub上的MovieGEEKs网站代码

5.3.3 推荐系统

5.3.4 为MovieGEEKs网站添加一个榜单

5.3.5 使内容看起来更具吸引力

5.4 种子推荐

5.4.1 频繁购买的商品与你正在查看的商品很相似

5.4.2 关联规则

5.4.3 实现关联规则

5.4.4 在数据库中存储关联规则

5.4.5 计算关联规则

5.4.6 运用不同的事件来创建关联规则

小结

冷用户(冷商品)

6.1 什么是冷启动

6.1.1 冷商品

6.1.2 冷用户

6.1.3 灰羊

6.1.4 现实生活中的例子

6.1.5 面对冷启动你能做什么

6.2 追踪访客

6.2.1 执着于匿名用户

6.3 用算法来解决冷启动问题

6.3.1 使用关联规则为冷用户创建推荐信息

6.3.2 使用领域知识和业务规则

6.3.3 使用分组

6.3.4 使用类别来避免灰羊问题以及如何介绍冷商品

6.4 那些不询问就很难被发现的人

6.4.1 当访客数据不够新时

6.5 使用关联规则快速进行推荐

6.5.1 收集数据项

6.5.2 检索关联规则并根据置信度对其排序

6.5.3 显示推荐内容

6.5.4 评估

小结

第2部分 推荐算法

找出用户之间和商品之间的相似之处

7.1 什么是相似度

7.1.1 什么是相似度函数

7.2 基本的相似度函数

7.2.1 Jaccard距离

7.2.2 使用Lp-norm测量距离

7.2.3 Cosine相似度

7.2.4 通过Pearson相关系数查找相似度

7.2.5 运行Pearson相似度

7.2.6 Pearson相关性系数与Cosine相似度类似

7.3 k-means聚类

7.3.1 k-means聚类算法

7.3.2 使用Python实现k-means聚类算法

7.4 实现相似度

7.4.1 在MovieGEEKs网站上实现相似度

7.4.2 在MovieGEEKs 网站上实现聚类

小结

邻域协同过滤

8.1 协同过滤:一节历史课

8.1.1 当信息被协同过滤时

8.1.2 互帮互助

8.1.3 评分矩阵

8.1.4 协同过滤管道

8.1.5 应该使用用户-用户还是物品-物品的协同过滤

8.1.6 数据要求

8.2 推荐的计算

8.3 相似度的计算

8.4 Amazon预测物品相似度的算法

8.5 选择邻域的方法

8.6 找到正确的邻域

8.7 计算预测评分的方法

8.8 使用基于物品的过滤进行预测

8.8.1 计算物品的预测评分

8.9 冷启动问题

8.10 机器学习术语简介

8.11 MovieGeeks网站上的协同过滤

8.11.1 基于物品的过滤

8.12 关联规则推荐和协同推荐之间有什么区别

8.13 用于协同过滤的工具

8.14 协同过滤的优缺点

小结

评估推荐系统

9.1 推荐系统的评估周期

9.2 为什么评估很重要

9.3 如何解释用户行为

9.4 测量什么

9.4.1 了解我的喜好,尽量减少预测错误

9.4.2 多样性

9.4.3 覆盖率

9.4.4 惊喜度

9.5 在实现推荐之前

9.5.1 验证算法

9.5.2 回归测试

9.6 评估的类型

9.7 离线评估

9.7.1 当算法不产生任何推荐时该怎么办

9.8 离线实验

9.8.1 准备实验数据

9.9 在MovieGEEKs中实现这个实验

9.9.1 待办任务清单

9.10 评估测试集

9.10.1 从基线预测器开始

9.10.2 找到正确的参数

9.11 在线评估

9.11.1 对照实验

9.11.2 A/B测试

9.12 利用exploit/explore持续测试

9.12.1 反馈循环

小结

基于内容的过滤

10.1 举例说明

10.2 什么是基于内容的过滤

10.3 内容分析器

10.3.1 从物品配置文件提取特征

10.3.2 数量较少的分类数据

10.3.3 将年份转换为可比较的特征

10.4 从描述中提取元数据

10.4.1 准备描述

10.5 使用TF-IDF查找重要单词

10.6 使用LDA进行主题建模

10.6.1 有什么方法可以调整LDA

10.7 查找相似内容

10.8 如何创建用户配置文件

10.8.1 使用LDA创建用户配置文件

10.8.2 使用TF-IDF创建用户配置文件

10.9 MovieGEEKs中基于内容的推荐

10.9.1 加载数据

10.9.2 训练模型

10.9.3 创建物品配置文件

10.9.4 创建用户配置文件

10.9.5 展示推荐

10.10 评估基于内容的推荐系统

10.11 基于内容过滤的优缺点

小结

用矩阵分解法寻找隐藏特征

11.1 有时减少数据量是好事

11.2 你想要解决的问题的例子

11.3 谈一点线性代数

11.3.1 矩阵

11.3.2 什么是因子分解

11.4 使用SVD构造因子分解

11.4.1 通过分组加入添加新用户

11.4.2 如何使用SVD进行推荐

11.4.3 基线预测

11.4.4 时间动态

11.5 使用Funk SVD构造因子分解

11.5.1 均方根误差

11.5.2 梯度下降

11.5.3 随机梯度下降

11.5.4 最后是因子分解

11.5.5 增加偏差

11.5.6 如何开始,何时结束

11.6 用Funk SVD进行推荐

11.7 MovieGEEKs中的Funk SVD实现

11.7.1 如何处理异常值

11.7.2 保持模型的更新

11.7.3 更快的实施方法

11.8 显式数据与隐式数据

11.9 评估

11.10 用于Funk SVD的参数

小结

运用最佳算法来实现混合推荐

12.1 混合推荐系统的困惑世界

12.2 单体

12.2.1 将基于内容的特征与行为数据混合,以改进协同过滤推荐系统

12.3 掺杂式混合推荐

12.4 集成推荐

12.4.1 可切换的集成推荐

12.4.2 加权式集成推荐

12.4.3 线性回归

12.5 特征加权线性叠加(FWLS)

12.5.1 元特征:权重作为函数

12.5.2 算法

12.6 实现

小结

排序和排序学习

13.1 Foursquare的排序学习例子

13.2 重新排序

13.3 什么是排序学习

13.3.1 三种类型的LTR算法

13.4 贝叶斯个性化排序

13.4.1 BPR排序

13.4.2 数学魔术(高级巫术)

13.4.3 BPR算法

13.4.4 具有矩阵分解的BPR

13.5 BPR的实现

13.5.1 执行推荐

13.6 评估

13.7 用于BPR的参数

小结

推荐系统的未来

14.1 本书内容总结

14.2 接下来要学习的主题

14.2.1 延伸阅读

14.2.2 算法

14.2.3 所处环境

14.2.4 人机交互

14.2.5 选择一个好的架构

14.3 推荐系统的未来是什么

14.4 最后的想法

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部