5.0 用户推荐指数
计算机
类型
可以朗读
语音朗读
210千字
字数
2021-10-01
发行日期
展开全部
主编推荐语
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。
内容简介
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。
目录
- 版权信息
- 内容简介
- 序
- 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
- 1.2 推荐系统的分类
- 1.3 机器学习与Netflix Prize
- 1.4 MovieGEEKs网站
- 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
- 2.2 寻找有用的用户行为
- 2.3 识别用户
- 2.4 从其他途径获取访客数据
- 2.5 收集器
- 2.6 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
- 3.2 执行分析
- 3.3 角色
- 3.4 MovieGEEKs仪表盘
- 小结
- 评分及其计算方法
- 4.1 用户-商品喜好
- 4.2 显式评分和隐式评分
- 4.3 重温显式评分
- 4.4 什么是隐式评分
- 4.5 计算隐式评分
- 4.6 如何计算隐式评分
- 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
- 5.2 当没有数据的时候如何做推荐
- 5.3 榜单的实现以及推荐系统组件的准备工作
- 5.4 种子推荐
- 小结
- 冷用户（冷商品）
- 6.1 什么是冷启动
- 6.2 追踪访客
- 6.3 用算法来解决冷启动问题
- 6.4 那些不询问就很难被发现的人
- 6.5 使用关联规则快速进行推荐
- 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
- 7.2 基本的相似度函数
- 7.3 k-means聚类
- 7.4 实现相似度
- 小结
- 邻域协同过滤
- 8.1 协同过滤：一节历史课
- 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
- 8.9 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
- 8.12 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
- 9.5 在实现推荐之前
- 9.6 评估的类型
- 9.7 离线评估
- 9.8 离线实验
- 9.9 在MovieGEEKs中实现这个实验
- 9.10 评估测试集
- 9.11 在线评估
- 9.12 利用exploit/explore持续测试
- 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
- 10.4 从描述中提取元数据
- 10.5 使用TF-IDF查找重要单词
- 10.6 使用LDA进行主题建模
- 10.7 查找相似内容
- 10.8 如何创建用户配置文件
- 10.9 MovieGEEKs中基于内容的推荐
- 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
- 11.4 使用SVD构造因子分解
- 11.5 使用Funk SVD构造因子分解
- 11.6 用Funk SVD进行推荐
- 11.7 MovieGEEKs中的Funk SVD实现
- 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
- 12.3 掺杂式混合推荐
- 12.4 集成推荐
- 12.5 特征加权线性叠加（FWLS）
- 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
- 13.4 贝叶斯个性化排序
- 13.5 BPR的实现
- 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
- 14.3 推荐系统的未来是什么
- 14.4 最后的想法
展开全部
评分及书评
5.0
3个评分
- 给这本书评了5.0
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。
出版方
电子工业出版社
电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。
