成功加入购物车
实物书拍摄的 内页干净 当天发货。
牛温佳 、 刘吉强 、 石川 著 / 电子工业出版社 / 2016-03 / 平装
售价 ¥ 2.00
品相 九五品
上书时间2024-03-20
用户网络行为画像:大数据中的用户网络行为画像分析与内容推荐应用
如何能牢牢地黏住老用户、吸引新用户、读懂用户的偏好兴趣和喜怒哀乐,这都是对企业发展至关重要甚至关乎生死存亡的问题,解决这个问题的方法就是推荐系统。本书分为上中下三篇,共13章,上篇为用户画像知识工程基础,包括表征建模、画像计算、存储及各种更新维护等管理操作;中篇为推荐系统与用户画像,包括传统协同过滤等经典推荐算法的介绍,以及涉及用户画像的推荐方法;下篇为应用案例分析,包括Netflix、阿里等数据竞赛的经典数据案例,以及在具体工程开发过程的具体案例,分别从系统需求、总体结构、算法设计、运行流程及测试结果等五个方面提供详细案例指导。
牛温佳,男,博士,中国科学院信息工程研究所副研究员。主持国家自然科学基金青年基金项目和广西可信软件重点实验室开放课题各一项,作为骨干先后参与了多个重要项目,包括工信部重大专项、973、863和中科院战略先导专项等。
上篇
第1章用户画像概述 3
1.1用户画像数据来源 3
1.1.1用户属性 5
1.1.2用户观影行为 5
1.2用户画像特性 5
1.2.1动态性 5
1.2.2时空局部性 6
1.3用户画像应用领域 6
1.3.1搜索引擎 6
1.3.2推荐系统 7
1.3.3其他业务定制与优化 7
1.4大数据给用户画像带来的机遇与挑战 8
第2章用户画像建模 9
2.1用户定量画像 9
2.2用户定性画像 10
2.2.1标签与用户定性画像 10
2.2.2基于知识的用户定性画像分析 12
2.2.3用户定性画像的构建 16
2.2.4定性画像知识的存储 22
2.2.5定性画像知识的推理 26
2.3本章参考文献 29
第3章群体用户画像分析 31
3.1用户画像相似度 32
3.1.1定量相似度计算 32
3.1.2定性相似度计算 34
3.1.3综合相似度计算 35
3.2用户画像聚类 36
第4章用户画像管理 41
4.1存储机制 41
4.1.1关系型数据库 42
4.1.2NoSQL数据库 43
4.1.3数据仓库 45
4.2查询机制 46
4.3定时更新机制 47
4.3.1获取实时用户信息 47
4.3.2更新触发条件 48
4.3.3更新机制 49
中篇
第5章视频推荐概述 55
5.1主流推荐方法的分类 56
5.1.1协同过滤的推荐方法 56
5.1.2基于内容的推荐方法 57
5.1.3基于知识的推荐方法 59
5.1.4混合推荐方法 60
5.2推荐系统的评测方法 61
5.3视频推荐与用户画像的逻辑关系 61
第6章协同过滤推荐方法 65
6.1概述 65
6.2关系矩阵及矩阵计算 67
6.2.1U-U矩阵 67
6.2.2V-V矩阵 70
6.2.3U-V矩阵 72
6.3基于记忆的协同过滤算法 74
6.3.1基于用户的协同过滤算法 75
6.3.2基于物品的协同过滤算法 78
6.4基于模型的协同过滤算法 81
6.4.1基于隐因子模型的推荐算法 82
6.4.2基于朴素贝叶斯分类的推荐算法 85
6.5小结 88
6.6本章参考文献 88
第7章基于内容的推荐方法 91
7.1概述 91
7.2CB推荐中的特征向量 94
7.2.1视频推荐中的物品画像 94
7.2.2视频推荐中的用户画像 96
7.3基础CB推荐算法 97
7.4基于TF-IDF的CB推荐算法 99
7.5基于KNN的CB推荐算法 102
7.6基于Rocchio的CB推荐算法 104
7.7基于决策树的CB推荐算法 106
7.8基于线性分类的CB推荐算法 107
7.9基于朴素贝叶斯的CB推荐算法 109
7.10小结 111
7.11本章参考文献 111
第8章基于知识的推荐方法 113
8.1概述 113
8.2约束知识与约束推荐算法 114
8.2.1约束知识示例 114
8.2.2约束满足问题 115
8.2.3约束推荐算法流程 117
8.3关联知识与关联推荐算法 118
8.3.1关联规则描述 118
8.3.2关联规则挖掘 121
8.3.3关联推荐算法流程 123
8.4小结 124
8.5本章参考文献 124
第9章混合推荐方法 125
9.1概述 125
9.2算法设计层面的混合方法 126
9.2.1并行式混合 126
9.2.2整体式混合 129
9.2.3流水线式混合 131
9.2.4典型混合应用系统 133
9.3混合式视频推荐实例 136
9.3.1MoRe系统概览 136
9.3.2MoRe算法介绍 137
9.3.3MoRe算法混合 139
9.3.4MoRe实验分析 140
9.4小结 142
9.5本章参考文献 142
第10章视频推荐评测 145
10.1概述 145
10.2视频推荐试验方法 146
10.2.1在线评测 147
10.2.2离线评测 149
10.2.3用户调查 150
10.3视频离线推荐评测指标 151
10.3.1准确度指标 151
10.3.2多样性指标 159
10.4小结 161
10.5本章参考文献 162
下篇
第11章系统层面的快速推荐构建 165
11.1概述 165
11.2本章主要内容 166
11.3系统部署 166
11.3.1Hadoop2.2.0系统部署 166
11.3.2Hadoop运行时环境设置 169
11.3.3Spark与Mahout部署 175
11.4Mahout推荐引擎介绍 181
11.4.1Item-based算法 181
11.4.2矩阵分解 185
11.4.3ALS算法 187
11.4.4Mahout的Spark实现 190
11.5快速实战 193
11.5.1概述 193
11.5.2日志数据 194
11.5.3运行环境 196
11.5.4基于MahoutItem-based算法实践 201
11.5.5基于MahoutALS算法实践 205
11.6小结 208
11.7本章参考文献 208
第12章数据层面的分析与推荐案例 211
12.1概述 211
12.2本章主要内容 212
12.3竞赛内容和意义 212
12.3.1竞赛简介 212
12.3.2竞赛任务和意义 213
12.4客户-商户数据 215
12.4.1数据描述 215
12.4.2数据理解与分析 217
12.5算法流程设计 219
12.5.1特征提取 219
12.5.2分类器设计 220
12.5.3算法流程总结 222
12.6小结 222
12.7本章参考文献 223
展开全部
配送说明
...
相似商品
为你推荐
开播时间:09月02日 10:30