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
- 体积：6.89 MB
- 语言：中文
- 日期：2018-04-27
- 推荐：人
简介：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12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。
这些资源你可能感兴趣
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12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。
编辑推荐
《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》适合从事互联网工作的人员阅读，也作为相关专业的教材。
作者简介
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。
目录
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
本书评论