 |
-- 會員 / 註冊 --
|
 |
|
|
|
推薦系統開發實戰 ( 簡體 字) |
| 作者：高陽團 | 類別：1. -> 程式設計 -> 綜合 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 51577
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：7/1/2019 |
| 頁數：364 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121365201 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：數據，讓一切有跡可循，讓一切有源可溯。互聯網用戶每天都在生產數據、創造數據和使用數據，那么在如今這個信息過載的時代，如何在用戶和信息之間建立有效、直接的關聯變得至關重要。推薦系統就是解決這類問題的，它在海量的商品、信息中建立用戶和物品的直接觸達關系，讓用戶在最短的時間內接收最有效的信息，從而減小時間損失。
推薦系統在日常生活中應用十分廣泛，小到商場捆綁銷售，大到電商、新聞網站，它無時無刻不在影響和改變著人們的生活方式。在這樣的背景下，推薦系統得到了長足的發展，當然也需要更多的人投入到推薦系統的研究和建設中來。
本書由淺入深地講解推薦系統的知識體系，結合背景、基礎、理論和實例將推薦系統轉化成通俗易懂的邏輯描述語言，幫助非專業的研究者踏上推薦系統的學習旅程，從最開始的推薦系統背景到最后的業界推薦系統架構解析，幫助讀者逐步深入了解和開發推薦系統。
本書特色
1．大量應用實例，實戰性強
本書共包含34個實例，其中最后三個為完整的推薦系統實例，在讀者進行基礎知識學習的同時，可通過相應的實例加深對理論的理解。最后三個完整的實例更是將讀者從一個分散化的學習狀態帶入一個完整的推薦系統開發中來，對學習和工作都有很強的指導意義。
2．完整的源代碼和數據集
書中所涉及的實例源代碼和相關數據集都免費提供給讀者，學習更加方便。
3．內容全面，應用性強
本書按照推薦系統入門、進階、實戰的順序，由淺入深、循序漸進，盡最大可能地將推薦系統的知識通俗易懂地展現給讀者。
4．大量寶貴經驗的分享
授人以魚不如授人以漁。本書在講解知識的過程中，更加注重方法和經驗的傳遞，在不涉及公司隱私的前提下，盡可能地將實踐經驗穿插在每個章節中，以幫助讀者在學習或工作中規避和解決一些問題。
5．知識導圖總結
本書每章最后都包含一幅知識導圖，這是對該章知識的概括，讀者可以在學習該章前或學習該章后進行查看，方便對該章知識進行概覽和了解。
每章的知識導圖和整本書的知識導圖也會免費提供給讀者。
6．社群交流，在線解答
本書的讀者可以獲取作者的個人微信。作者邀請各位讀者進入本書的讀者群，方便后期的問題解答和學習交流。 |
內容簡介：過程完整：從基本原理到實際項目開發 實例豐富：將理論學習落實到具體實踐（共34個實例）簡潔流暢：采用短段、短句，讀來有順流而下般流暢感實戰性強：搭建新聞推薦系統、音樂推薦系統、圖書推薦系統學習無憂：免費提供書中用到的素材和源代碼后繼服務：讀者可加入本書QQ學習群在線交流
|
目錄：?
====第1篇 推薦系統的背景介紹和入門
∣
第1章 走進推薦系統 2
1.1 從“啤酒與尿布”到推薦系統的前世今生 2
∣1.1.1 “啤酒與尿布” 2
∣1.1.2 推薦系統的前世今生 2
1.2 推薦系統可以做什么 4
∣1.2.1 什么是推薦系統 4
∣1.2.2 在電商類產品中的應用 5
∣1.2.3 在社交類產品中的應用 6
∣1.2.4 在音樂類產品中的應用 8
∣1.2.5 在視頻類產品中的應用 9
∣1.2.6 在閱讀類產品中的應用 10
∣1.2.7 在服務類產品中的應用 11
1.3 學習本書需要的技能 12
∣1.3.1 Python基礎 12
∣1.3.2 數據結構 14
∣1.3.3 工程能力 15
1.4 如何學習本書 17
1.5 知識導圖 17
第2章 搭建你的第一個推薦系統 19
2.1 實例1：搭建電影推薦系統 19
∣2.1.1 利用Netflix數據集準備數據 19
∣2.1.2 使用Python表示數據 21
∣2.1.3 選擇相似用戶 23
∣2.1.4 為用戶推薦相似用戶喜歡的電影 24
∣2.1.5 分析效果 25
2.2 總結：搭建推薦系統的一般步驟 26
∣2.2.1 準備數據 26
∣2.2.2 選擇算法 27
∣2.2.3 模型訓練 28
∣2.2.4 效果評估 28
2.3 知識導圖 28
第3章 推薦系統常用數據集介紹 29
3.1 MovieLens數據集 29
∣3.1.1 README 29
∣3.1.2 ratings.dat 29
∣3.1.3 movies.dat 31
∣3.1.4 users.dat 34
3.2 Book-Crossings數據集 36
∣3.2.1 BX-Book-Ratings.csv 37
∣3.2.2 BX-Books.csv 39
∣3.2.3 BX-Users.csv 39
3.3 Last.fm數據集 41
∣3.3.1 README 41
∣3.3.2 artists.dat 41
∣3.3.3 tags.dat 41
∣3.3.4 user_artists.dat 42
∣3.3.5 user_friends.dat 42
∣3.3.6 uses_taggedartists.dat 42
∣3.3.7 user_taggedartists-timestamps.dat 42
3.4 FourSquare數據集 43
∣3.4.1 users.dat 43
∣3.4.2 venues.dat 44
∣3.4.3 checkins.dat 44
∣3.4.4 socialgraph.dat 44
∣3.4.5 ratings.dat 45
3.5 Kaggle比賽之retailrocket 數據集 46
∣3.5.1 events.csv 47
∣3.5.2 category_tree.csv 49
∣3.5.3 item_properties.csv 49
3.6 場景分析 49
3.7 知識導圖 50
∣
===第2篇 推薦系統涉及的算法介紹、冷啟動和效果評估
∣
第4章 數據挖掘——讓推薦系統更懂你 52
4.1 數據預處理 52
∣4.1.1 數據標準化 52
∣4.1.2 實例2：實現數據的標準化 54
∣4.1.3 數據離散化 56
∣4.1.4 實例3：基于信息熵的數據離散化 58
∣4.1.5 數據抽樣 61
∣4.1.6 數據降維 63
∣4.1.7 實例4：對鳶尾花數據集特征進行降維 66
∣4.1.8 數據清理 68
∣4.1.9 相似度計算 71
4.2 數據分類 74
∣4.2.1 K最近鄰算法 74
∣4.2.2 實例5：利用KNN算法實現性別判定 75
∣4.2.3 決策樹算法 77
∣4.2.4 實例6：構建是否舉辦活動的決策樹 80
∣4.2.5 樸素貝葉斯算法 84
∣4.2.6 實例7：基于樸素貝葉斯算法進行異常賬戶檢測 87
∣4.2.7 分類器的評估 90
∣4.2.8 實例8：scikit-learn中的分類效果評估 92
4.3 數據聚類 92
∣4.3.1 kMeans算法 92
∣4.3.2 實例9：基于kMeans算法進行商品價格聚類 95
∣4.3.3 二分-kMeans算法 98
∣4.3.4 實例10：基于二分-kMeans算法進行商品價格聚類 99
∣4.3.5 聚類算法的評估 100
∣4.3.6 實例11：scikit-learn中的聚類效果評估 102
4.4 關聯分析 103
∣4.4.1 Apriori算法 103
∣4.4.2 實例12：基于Apriori算法實現頻繁項集和相關規則挖掘 106
4.5 知識導圖 110
∣
第5章 基于用戶行為特征的推薦 111
5.1 用戶行為分類 111
5.2 基于內容的推薦算法 112
∣5.2.1 算法原理——從“構造特征”到“判斷用戶是否喜歡” 112
∣5.2.2 實例13：對手機屬性進行特征建模 115
5.3 實例14：編寫一個基于內容推薦算法的電影推薦系統 117
∣5.3.1 了解實現思路 117
∣5.3.2 準備數據 119
∣5.3.3 選擇算法 122
∣5.3.4 模型訓練 122
∣5.3.5 效果評估 123
5.4 基于近鄰的推薦算法 124
∣5.4.1 UserCF算法的原理——先“找到相似同戶”，再“找到他們喜歡的物品” 124
∣5.4.2 ItemCF算法的原理——先“找到用戶喜歡的物品”，再“找到喜歡物品的相似物品” 131
5.5 實例15：編寫一個基于UserCF算法的電影推薦系統 137
∣5.5.1 了解實現思路 138
∣5.5.2 準備數據 138
∣5.5.3 選擇算法 138
∣5.5.4 模型訓練 138
∣5.5.5 效果評估 141
5.6 實例16：編寫一個基于ItemCF算法的電影推薦系統 141
∣5.6.1 了解實現思路 141
∣5.6.2 準備數據 142
∣5.6.3 選擇算法 142
∣5.6.4 模型訓練 142
∣5.6.5 效果評估 144
5.7 對比分析：UserCF算法和ItemCF算法 145
5.8 對比分析：基于內容和基于近鄰 146
5.9 基于隱語義模型的推薦算法 147
∣5.9.1 LFM概述 147
∣5.9.2 LFM算法理解 148
∣5.10 實例17：編寫一個基于LFM的電影推薦系統 152
∣5.10.1 了解實現思路 152
∣5.10.2 準備數據 152
∣5.10.3 選擇算法 154
∣5.10.4 模型訓練 155
∣5.10.5 效果評估 158
5.11 知識導圖 159
∣
第6章 基于標簽的推薦 161
6.1 基于標簽系統的應用 161
∣6.1.1 Last.fm 161
∣6.1.2 Delicious 162
∣6.1.3 豆瓣 163
∣6.1.4 網易云音樂 163
6.2 數據標注與關鍵詞提取 165
∣6.2.1 推薦系統中的數據標注 165
∣6.2.2 推薦系統中的關鍵詞提取 167
∣6.2.3 標簽的分類 168
6.3 實例18：基于TF-IDF算法提取商品標題的關鍵詞 169
∣6.3.1 了解TF-IDF算法 169
∣6.3.2 認識商品標題描述 170
∣6.3.3 提取關鍵詞 170
6.4 基于標簽的推薦系統 174
∣6.4.1 標簽評分算法 174
∣6.4.2 標簽評分算法改進 176
∣6.4.3 標簽基因 177
∣6.4.4 用戶興趣建模 177
6.5 實例19：利用標簽推薦算法實現藝術家的推薦 178
∣6.5.1 了解實現思路 178
∣6.5.2 準備數據 178
∣6.5.3 選擇算法 179
∣6.5.4 模型訓練 179
∣6.5.5 效果評估 182
6.6 知識導圖 182
∣
第7章 基于上下文的推薦 184
7.1 基于時間特征的推薦 184
∣7.1.1 時間效應介紹 184
∣7.1.2 時間效應分析 187
∣7.1.3 推薦系統的實時性 194
∣7.1.4 協同過濾中的時間因子 195
7.2 實例20：實現一個“增加時間衰減函數的協同過濾算法” 197
∣7.2.1 在UserCF算法中增加時間衰減函數 197
∣7.2.2 在ItemCF算法中增加時間衰減函數 199
7.3 基于地域和熱度特征的推薦 200
∣7.3.1 為什么要將地域和熱度特征放在一起 201
∣7.3.2 解讀LARS中的地域特征 202
∣7.3.3 基于地域和熱度的推薦算法 204
7.4 實例21：創建一個基于地域和熱度的酒店推薦系統 206
∣7.4.1 了解實現思路 206
∣7.4.2 準備數據 207
∣7.4.3 選擇算法 207
∣7.4.4 模型訓練 207
∣7.4.5 效果評估 210
∣7.5 其他上下文信息 210
7.6 知識導圖 210
∣
第8章 基于點擊率預估的推薦 212
8.1 傳統推薦算法的局限和應用 212
∣8.1.1 傳統推薦算法的局限 212
∣8.1.2 傳統推薦算法的應用 213
8.2 點擊率預估在推薦系統中的應用 214
8.3 集成學習 214
∣8.3.1 集成學習概述 215
∣8.3.2 Boosting算法（提升法） 215
∣8.3.3 Bagging算法（自助法） 216
∣8.3.4 Stacking算法（融合法） 217
8.4 導數、偏導數、方向導數、梯度 217
∣8.4.1 導數 217
∣8.4.2 偏導數 217
∣8.4.3 方向導數 218
∣8.4.4 梯度 219
∣8.4.5 梯度下降 219
8.5 GBDT算法 222
∣8.5.1 Gradient Boosting方法 223
∣8.5.2 決策樹 223
∣8.5.3 GBDT算法的原理 224
8.6 實例22：基于GBDT算法預估電信客戶流失 227
∣8.6.1 了解實現思路 227
∣8.6.2 準備數據 229
∣8.6.3 選擇算法 232
∣8.6.4 模型訓練 232
∣8.6.5 效果評估 234
8.7 回歸分析 236
∣8.7.1 什么是回歸分析 236
∣8.7.2 回歸分析算法分類 236
∣8.8 Logistic Regression算法 237
∣8.8.1 Sigmoid函數 237
∣8.8.2 LR為什么要使用Sigmoid函數 239
∣8.8.3 LR的算法原理分析 240
8.9 實例23：基于LR算法預估電信客戶流失 241
∣8.9.1 準備數據 242
∣8.9.2 選擇算法 242
∣8.9.3 模型訓練 242
∣8.9.4 效果評估 243
8.10 GBDT+LR的模型融合 245
∣8.10.1 GBDT+LR模型融合概述 245
∣8.10.2 為什么選擇GBDT和LR進行模型融合 246
∣8.10.3 GBDT+LR模型融合的原理 246
8.11 實例24：基于GBDT和LR算法預估電信客戶流失 247
∣8.11.1 準備數據 247
∣8.11.2 選擇算法 247
∣8.11.3 模型訓練 247
∣8.11.4 效果評估 248
8.12 知識導圖 251
∣
第9章 推薦系統中的冷啟動 252
9.1 冷啟動介紹 252
∣9.1.1 冷啟動的分類 252
∣9.1.2 冷啟動的幾種實現方法 252
9.2 基于熱門數據推薦實現冷啟動 253
9.3 利用用戶注冊信息實現冷啟動 254
∣9.3.1 注冊信息分析 254
∣9.3.2 實例25：分析Book-Crossings數據集中的共性特征 255
∣9.3.3 實現原理 261
9.4 利用用戶上下文信息實現冷啟動 261
∣9.4.1 設備信息特征 262
∣9.4.2 時間地域信息特征 262
∣9.4.3 實現原理 262
9.5 利用第三方數據實現冷啟動 263
9.6 利用用戶和系統之間的交互實現冷啟動 263
∣9.6.1 實現原理 263
∣9.6.2 推薦系統中實時交互的應用 265
∣9.6.3 實例26：用戶實時交互推薦系統設計 266
9.7 利用物品的內容屬性實現冷啟動 267
∣9.7.1 物品內容屬性分析 267
∣9.7.2 物品信息的使用 268
9.8 利用專家標注數據實現冷啟動 269
9.9 知識導圖 270
∣
第10章 推薦系統中的效果評估 271
10.1 用戶調研 271
10.2 在線評估 272
10.3 在線實驗方式——ABTest 272
∣10.3.1 ABTest介紹 272
∣10.3.2 ABTest流程 272
∣10.3.3 ABTest的注意事項 273
10.4 在線評估指標 274
∣10.4.1 點擊率 275
∣10.4.2 轉化率 275
∣10.4.3 網站成交額 275
10.5 離線評估 276
10.6 拆分數據集 276
∣10.6.1 留出法 277
∣10.6.2 K-折交叉驗證法 277
∣10.6.3 自助法 277
∣10.6.4 實例27：使用sklearn包中的train_test_split()函數進行數據集拆分 278
∣10.6.5 實例28：使用sklearn包中的KFold()函數產生交叉驗證數據集 280
∣10.6.6 實例29：使用sklearn包中的cross_validate()函數演示交叉驗證 281
10.7 離線評估指標 282
∣10.7.1 準確度指標之預測分類準確度指標 282
∣10.7.2 實例30：使用sklearn包中的metrics類預測分類準確度 288
∣10.7.3 準確度指標之預測評分準確度指標 290
∣10.7.4 實例31：使用sklearn包中的metrics類預測評分準確度 290
∣10.7.5 準確度指標之預測評分關聯指標 291
∣10.7.6 準確度指標之排序準確度指標 292
∣10.7.7 非準確度指標 292
10.8 知識導圖 296
∣
===第3篇 推薦系統實例
∣第11章 實例32：搭建一個新聞推薦系統 298
11.1 準備數據 298
11.2 預處理數據 298
∣11.2.1 原始數據加工 298
∣11.2.2 新聞熱度值計算 299
∣11.2.3 新聞相似度計算 300
∣11.2.4 指定標簽下的新聞統計 302
11.3 設計架構 303
11.4 實現系統 304
∣11.4.1 準備環境 304
∣11.4.2 實現后端接口 304
∣11.4.3 實現前端界面 309
∣11.4.4 系統演示 309
11.5 代碼復現 311
∣11.5.1 安裝依賴 311
∣11.5.2 數據入庫 312
∣11.5.3 修改配置 312
∣11.5.4 項目啟動 312
11.6 知識導圖 312
∣
第12章 實例33：搭建一個音樂推薦系統 314
12.1 準備數據 314
12.2 預處理數據 314
∣12.2.1 計算歌曲、歌手、用戶相似度 314
∣12.2.2 計算用戶推薦集 315
∣12.2.3 數據導入數據庫 319
12.3 設計架構 321
12.4 實現系統 322
∣12.4.1 準備環境 322
∣12.4.2 實現后端接口 322
∣12.4.3 實現前端界面 324
∣12.4.4 系統演示 324
12.5 代碼復現 327
∣12.5.1 安裝依賴 327
∣12.5.2 數據入庫 327
∣12.5.3 修改配置 327
∣12.5.4 項目啟動 328
12.6 知識導圖 328
∣
第13章 實例34：搭建一個圖書推薦系統 329
13.1 準備數據 329
13.2 預處理數據 329
∣13.2.1 原始數據加工 329
∣13.2.2 數據導入數據庫 331
∣13.2.3 模型準備 331
13.3 設計架構 332
13.4 實現系統 333
∣13.4.1 準備環境 333
∣13.4.2 實現后端接口 333
∣13.4.3 實現前端界面 336
∣13.4.4 系統演示 336
13.5 代碼復現 338
13.6 知識導圖 338
∣
第14章 業界推薦系統架構介紹 340
14.1 概述 340
14.2 架構介紹 340
14.3 召回內容 342
14.4 計算排序 343
∣14.4.1 特征工程 343
∣14.4.2 特征分類 343
∣14.4.3 排序算法 343
14.5 物品過濾和展示 344
∣14.5.1 物品過濾 344
∣14.5.2 物品展示 344
14.6 效果評估 344
14.7 知識導圖 345 |
| 序： |
|
