实用推荐系统 azw3 网盘 高速 下载地址大全 免费

要构建一个实用的“智能”推荐系统，不仅需要有好的算法，还需要了解接收推荐的用户。本书分为两部分，第一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，介绍推荐系统的算法，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。作者还讲述了如何使用最流行的推荐算法，并剖析它们在Amazon 和Netflix 等网站上的实际应用。 《实用推荐系统》适合对推荐系统感兴趣的开发人员阅读，从事数据科学行业的读者也能从书中获得启发。

第1部分　推荐系统的准备工作 第1章　什么是推荐........................................................................................3 1.1　现实生活中的推荐 .......................................................................................3 1.1.1　推荐系统在互联网上大显身手 .......................................................5 1.1.2　长尾 ...................................................................................................5 1.1.3　Netflix 的推荐系统 ...........................................................................6 1.1.4　推荐系统的定义 .............................................................................13 1.2　推荐系统的分类 .........................................................................................15 1.2.1　域 .....................................................................................................16 1.2.2　目的 .................................................................................................16 1.2.3　上下文 .............................................................................................17 1.2.4　个性化级别 .....................................................................................17 1.2.5　专家意见 .........................................................................................19 1.2.6　隐私与可信度 .................................................................................19 1.2.7　接口 .................................................................................................20 1.2.8　算法 .................................................................................................23 1.3　机器学习与Netflix Prize .............................................................................24 1.4　MovieGEEKs网站 .......................................................................................25 1.4.1　设计与规范 .....................................................................................27 1.4.2　架构 .................................................................................................27 1.5　构建一个推荐系统 .....................................................................................29 小结 ......................................................................................................................31 第2章　用户行为以及如何收集用户行为数据................................................... 32 2.1　在浏览网站时Netflix如何收集证据 ..........................................................33 2.1.1　Netflix 收集的证据 .........................................................................35 2.2　寻找有用的用户行为 .................................................................................37 2.2.1　捕获访客印象 .................................................................................38 2.2.2　可以从浏览者身上学到什么 .........................................................38 2.2.3　购买行为 .........................................................................................43 2.2.4　消费商品 .........................................................................................44 2.2.5　访客评分 .........................................................................................45 2.2.6　以（旧的）Netflix 方式了解你的用户 .........................................48 2.3　识别用户 .....................................................................................................49 2.4　从其他途径获取访客数据 .........................................................................50 2.5　收集器 .........................................................................................................50 2.5.1　构建项目文件 .................................................................................52 2.5.2　数据模型 .........................................................................................52 2.5.3　告密者（snitch）：客户端证据收集器 ..........................................53 2.5.4　将收集器集成到MovieGEEKs 中 .................................................54 2.6　系统中的用户是谁以及如何对其进行建模 .............................................57 小结 ......................................................................................................................60 第3章　监控系统.........................................................................................61 3.1　为什么添加仪表盘是个好主意 .................................................................62 3.1.1　回答“我们做得怎么样？” ...........................................................62 3.2　执行分析 .....................................................................................................64 3.2.1　网站分析 .........................................................................................64 3.2.2　基本统计数据 .................................................................................64 3.2.3　转化 .................................................................................................65 3.2.4　分析转化路径 .................................................................................69 3.2.5　转化路径 .........................................................................................70 3.3　角色 .............................................................................................................73 3.4　MovieGEEKs仪表盘 ...................................................................................76 3.4.1　自动生成日志数据 .........................................................................76 3.4.2　分析仪表盘的规范和设计 .............................................................77 3.4.3　分析仪表盘示意图 .........................................................................77 3.4.4　架构 .................................................................................................78 小结 ......................................................................................................................81 第4章　评分及其计算方法.............................................................................82 4.1　用户-商品喜好 ...........................................................................................83 4.1.1　什么是评分 .....................................................................................83 4.1.2　用户- 商品矩阵 .............................................................................84 4.2　显式评分和隐式评分 .................................................................................86 4.2.1　如何选择可靠的推荐来源 .............................................................87 4.3　重温显式评分 .............................................................................................88 4.4　什么是隐式评分 .........................................................................................88 4.4.1　与人相关的推荐 .............................................................................90 4.4.2　关于计算评分的思考 .....................................................................90 4.5　计算隐式评分 .............................................................................................93 4.5.1　看看行为数据 .................................................................................94 4.5.2　一个有关机器学习的问题 .............................................................98 4.6　如何计算隐式评分 .....................................................................................99 4.6.1　添加时间因素 ...............................................................................102 4.7　低频商品更有价值 ...................................................................................105 小结 ....................................................................................................................107 第5章　非个性化推荐................................................................................. 108 5.1　什么是非个性化推荐 ...............................................................................109 5.1.1　什么是广告 ...................................................................................109 5.1.2　推荐有什么作用 ...........................................................................110 5.2　当没有数据的时候如何做推荐 ...............................................................111 5.2.1　商品的十大排行榜 .......................................................................113 5.3　榜单的实现以及推荐系统组件的准备工作 ...........................................114 5.3.1　推荐系统组件 ...............................................................................114 5.3.2　GitHub 上的MovieGEEKs 网站代码 ..........................................116 5.3.3　推荐系统 .......................................................................................116 5.3.4　为MovieGEEKs 网站添加一个榜单 ...........................................116 5.3.5　使内容看起来更具吸引力 ...........................................................117 5.4　种子推荐 ...................................................................................................119 5.4.1　频繁购买的商品与你正在查看的商品很相似 ...........................120 5.4.2　关联规则 .......................................................................................121 5.4.3　实现关联规则 ...............................................................................126 5.4.4　在数据库中存储关联规则 ...........................................................130 5.4.5　计算关联规则 ...............................................................................131 5.4.6　运用不同的事件来创建关联规则 ...............................................133 小结 ....................................................................................................................133 第6章　冷用户（冷商品）........................................................................... 135 6.1　什么是冷启动 ...........................................................................................135 6.1.1　冷商品 ...........................................................................................137 6.1.2　冷用户 ...........................................................................................137 6.1.3　灰羊 ...............................................................................................139 6.1.4　现实生活中的例子 .......................................................................139 6.1.5　面对冷启动你能做什么 ...............................................................140 6.2　追踪访客 ...................................................................................................141 6.2.1　执着于匿名用户 ...........................................................................141 6.3　用算法来解决冷启动问题 .......................................................................141 6.3.1　使用关联规则为冷用户创建推荐信息 .......................................142 6.3.2　使用领域知识和业务规则 ...........................................................143 6.3.3　使用分组 .......................................................................................144 6.3.4　使用类别来避免灰羊问题以及如何介绍冷商品 .......................146 6.4　那些不询问就很难被发现的人 ...............................................................147 6.4.1　当访客数据不够新时 ...................................................................148 6.5　使用关联规则快速进行推荐 ...................................................................148 6.5.1　收集数据项 ...................................................................................149 6.5.2　检索关联规则并根据置信度对其排序 .......................................150 6.5.3　显示推荐内容 ...............................................................................151 6.5.4　评估 ...............................................................................................154 小结 ....................................................................................................................154 第2部分　推荐算法 第7章　找出用户之间和商品之间的相似之处................................................. 157 7.1　什么是相似度 ...........................................................................................158 7.1.1　什么是相似度函数 .......................................................................159 7.2　基本的相似度函数 ...................................................................................160 7.2.1　Jaccard 距离 ..................................................................................161 7.2.2　使用Lp-norm 测量距离 ................................................................162 7.2.3　Cosine 相似度 ...............................................................................165 7.2.4　通过Pearson 相关系数查找相似度 .............................................167 7.2.5　运行Pearson 相似度 .....................................................................169 7.2.6　Pearson 相关性系数与Cosine 相似度类似 .................................171 7.3　k-means聚类 ..............................................................................................171 7.3.1　k-means 聚类算法 .........................................................................172 7.3.2　使用Python 实现k-means 聚类算法 ..........................................174 7.4　实现相似度 ...............................................................................................178 7.4.1　在MovieGEEKs 网站上实现相似度 ...........................................181 7.4.2　在MovieGEEKs 网站上实现聚类 ...............................................183 小结 ....................................................................................................................187 第8章　邻域协同过滤................................................................................. 188 8.1　协同过滤：一节历史课 ...........................................................................190 8.1.1　当信息被协同过滤时 ...................................................................190 8.1.2　互帮互助 .......................................................................................190 8.1.3　评分矩阵 .......................................................................................192 8.1.4　协同过滤管道 ...............................................................................193 8.1.5　应该使用用户- 用户还是物品- 物品的协同过滤 ...................194 8.1.6　数据要求 .......................................................................................195 8.2　推荐的计算 ...............................................................................................195 8.3　相似度的计算 ...........................................................................................196 8.4　Amazon预测物品相似度的算法 ..............................................................196 8.5　选择邻域的方法 .......................................................................................201 8.6　找到正确的邻域 .......................................................................................203 8.7　计算预测评分的方法 ...............................................................................204 8.8　使用基于物品的过滤进行预测 ...............................................................206 8.8.1　计算物品的预测评分 ...................................................................206 8.9　冷启动问题 ...............................................................................................207 8.10　机器学习术语简介 .................................................................................208 8.11　MovieGeeks网站上的协同过滤 .............................................................209 8.11.1　基于物品的过滤 ........................................................................209 8.12　关联规则推荐和协同推荐之间有什么区别 .........................................215 8.13　用于协同过滤的工具 .............................................................................215 8.14　协同过滤的优缺点 .................................................................................217 小结 ....................................................................................................................218 第9章　评估推荐系统................................................................................. 219 9.1　推荐系统的评估周期 ...............................................................................220 9.2　为什么评估很重要 ...................................................................................221 9.3　如何解释用户行为 ...................................................................................222 9.4　测量什么 ...................................................................................................223 9.4.1　了解我的喜好，尽量减少预测错误 ...........................................223 9.4.2　多样性 ...........................................................................................224 9.4.3　覆盖率 ...........................................................................................225 9.4.4　惊喜度 ...........................................................................................227 9.5　在实现推荐之前 .......................................................................................228 9.5.1　验证算法 .......................................................................................228 9.5.2　回归测试 .......................................................................................229 9.6　评估的类型 ...............................................................................................230 9.7　离线评估 ...................................................................................................231 9.7.1　当算法不产生任何推荐时该怎么办 ...........................................231 9.8　离线实验 ...................................................................................................232 9.8.1　准备实验数据 ...............................................................................237 9.9　在MovieGEEKs中实现这个实验 .............................................................244 9.9.1　待办任务清单 ...............................................................................244 9.10　评估测试集 .............................................................................................248 9.10.1　从基线预测器开始 ...................................................................248 9.10.2　找到正确的参数 .......................................................................251 9.11　在线评估 ..................................................................................................252 9.11.1　对照实验 ....................................................................................252 9.11.2　A/B 测试 ....................................................................................253 9.12　利用exploit/explore持续测试 .................................................................254 9.12.1　反馈循环 ...................................................................................255 小结 ....................................................................................................................256 第10章　基于内容的过滤............................................................................ 257 10.1　举例说明 .................................................................................................258 10.2　什么是基于内容的过滤 .........................................................................261 10.3　内容分析器 .............................................................................................262 10.3.1　从物品配置文件提取特征 .......................................................262 10.3.2　数量较少的分类数据 ...............................................................265 10.3.3　将年份转换为可比较的特征 ...................................................265 10.4　从描述中提取元数据 .............................................................................266 10.4.1　准备描述 ...................................................................................266 10.5　使用TF-IDF查找重要单词 .....................................................................270 10.6　使用LDA进行主题建模 .........................................................................272 10.6.1　有什么方法可以调整LDA ......................................................279 10.7　查找相似内容 .........................................................................................282 10.8　如何创建用户配置文件 .........................................................................283 10.8.1　使用LDA 创建用户配置文件 .................................................283 10.8.2　使用TF-IDF 创建用户配置文件 .............................................283 10.9　MovieGEEKs中基于内容的推荐 ...........................................................286 10.9.1　加载数据 ...................................................................................286 10.9.2　训练模型 ...................................................................................287 10.9.3　创建物品配置文件 ...................................................................288 10.9.4　创建用户配置文件 ...................................................................289 10.9.5　展示推荐 ...................................................................................291 10.10　评估基于内容的推荐系统 ...................................................................292 10.11　基于内容过滤的优缺点 ........................................................................293 小结 ....................................................................................................................294 第11章　用矩阵分解法寻找隐藏特征............................................................ 295 11.1　有时减少数据量是好事 ..........................................................................296 11.2　你想要解决的问题的例子 ......................................................................298 11.3　谈一点线性代数 ......................................................................................301 11.3.1　矩阵 ............................................................................................301 11.3.2　什么是因子分解 ........................................................................303 11.4　使用SVD构造因子分解 ..........................................................................304 11.4.1　通过分组加入添加新用户 ........................................................310 11.4.2　如何使用SVD 进行推荐 ..........................................................313 11.4.3　基线预测 ....................................................................................313 11.4.4　时间动态 ....................................................................................316 11.5　使用Funk SVD构造因子分解 ................................................................317 11.5.1　均方根误差 ................................................................................317 11.5.2　梯度下降 ....................................................................................318 11.5.3　随机梯度下降 ............................................................................321 11.5.4　最后是因子分解 ........................................................................322 11.5.5　增加偏差 ....................................................................................323 11.5.6　如何开始，何时结束 ................................................................324 11.6　用Funk SVD进行推荐 ............................................................................328 11.7　MovieGEEKs中的Funk SVD实现 ..........................................................331 11.7.1　如何处理异常值 ........................................................................335 11.7.2　保持模型的更新 ........................................................................336 11.7.3　更快的实施方法 ........................................................................337 11.8　显式数据与隐式数据 ..............................................................................337 11.9　评估 ..........................................................................................................337 11.10　用于Funk SVD的参数 ..........................................................................339 小结 ....................................................................................................................341 第12章　运用最佳算法来实现混合推荐......................................................... 342 12.1　混合推荐系统的困惑世界 .....................................................................343 12.2　单体 .........................................................................................................344 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 ......................................................................345 12.3　掺杂式混合推荐 .....................................................................................346 12.4　集成推荐 .................................................................................................347 12.4.1　可切换的集成推荐 ...................................................................348 12.4.2　加权式集成推荐 .......................................................................349 12.4.3　线性回归 ...................................................................................350 12.5　特征加权线性叠加（FWLS） ...............................................................351 12.5.1　元特征：权重作为函数 ...........................................................352 12.5.2　算法 ...........................................................................................353 12.6　实现 .........................................................................................................360 小结 ....................................................................................................................370 第13章　排序和排序学习............................................................................ 371 13.1　Foursquare的排序学习例子....................................................................372 13.2　重新排序 .................................................................................................376 13.3　什么是排序学习 .....................................................................................377 13.3.1　三种类型的LTR 算法 ..............................................................377 13.4　贝叶斯个性化排序 .................................................................................379 13.4.1　BPR 排序 ...................................................................................381 13.4.2　数学魔术（高级巫术） .............................................................383 13.4.3　BPR 算法 ...................................................................................386 13.4.4　具有矩阵分解的BPR ...............................................................387 13.5　BPR的实现 ..............................................................................................388 13.5.1　执行推荐 ...................................................................................393 13.6　评估 .........................................................................................................394 13.7　用于BPR的参数 ......................................................................................397 小结 ....................................................................................................................398 第14章　推荐系统的未来............................................................................ 399 14.1　本书内容总结 .........................................................................................400 14.2　接下来要学习的主题 .............................................................................403 14.2.1　延伸阅读 ...................................................................................403 14.2.2　算法 ...........................................................................................404 14.2.3　所处环境 ...................................................................................404 14.2.4　人机交互 ...................................................................................405 14.2.5　选择一个好的架构 ...................................................................405 14.3　推荐系统的未来是什么 .........................................................................406 14.4　最后的想法 .............................................................................................411

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，是一位父亲，会带着他的德国短毛指示犬进行越野跑。

暂无其它内容！

暂时还没有人为这本书评论！