首页 > 科技 > 计算机 > 数据库

推荐系统开发实战

作译者：高阳团

出版时间：2019-07 千字数：582 版次：01-01 页数：364

开本：16开装帧： I S B N ：9787121365201

换版：

纸质书定价：￥79.0

库存:有

分享到：

共有图书评论0条【查看评论摘要】

看了又看

{{data.bookName}}

￥{{data.price}}

内容简介

前言

上架建议

作者简介

编辑推荐

音视频专区

?
====第1篇   推荐系统的背景介绍和入门
∣
第1章  走进推荐系统   2
1.1  从“啤酒与尿布”到推荐系统的前世今生   2
∣1.1.1  “啤酒与尿布”   2
∣1.1.2  推荐系统的前世今生   2
1.2  推荐系统可以做什么   4
∣1.2.1  什么是推荐系统   4
∣1.2.2  在电商类产品中的应用   5
∣1.2.3  在社交类产品中的应用   6
∣1.2.4  在音乐类产品中的应用   8
∣1.2.5  在视频类产品中的应用   9
∣1.2.6  在阅读类产品中的应用   10
∣1.2.7  在服务类产品中的应用   11
1.3  学习本书需要的技能   12
∣1.3.1  Python基础   12
∣1.3.2  数据结构   14
∣1.3.3  工程能力   15
1.4  如何学习本书   17
1.5  知识导图   17
第2章  搭建你的第一个推荐系统   19
2.1  实例1：搭建电影推荐系统   19
∣2.1.1  利用Netflix数据集准备数据   19
∣2.1.2  使用Python表示数据   21
∣2.1.3  选择相似用户   23
∣2.1.4  为用户推荐相似用户喜欢的电影   24
∣2.1.5  分析效果   25
2.2  总结：搭建推荐系统的一般步骤   26
∣2.2.1  准备数据   26
∣2.2.2  选择算法   27
∣2.2.3  模型训练   28
∣2.2.4  效果评估   28
2.3  知识导图   28
第3章  推荐系统常用数据集介绍   29
3.1  MovieLens数据集   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数据集   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数据集   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数据集   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比赛之retailrocket 数据集   46
∣3.5.1  events.csv   47
∣3.5.2  category_tree.csv   49
∣3.5.3  item_properties.csv   49
3.6  场景分析   49
3.7  知识导图   50
∣
===第2篇   推荐系统涉及的算法介绍、冷启动和效果评估
∣
第4章  数据挖掘——让推荐系统更懂你   52
4.1  数据预处理   52
∣4.1.1  数据标准化   52
∣4.1.2  实例2：实现数据的标准化   54
∣4.1.3  数据离散化   56
∣4.1.4  实例3：基于信息熵的数据离散化   58
∣4.1.5  数据抽样   61
∣4.1.6  数据降维   63
∣4.1.7  实例4：对鸢尾花数据集特征进行降维   66
∣4.1.8  数据清理   68
∣4.1.9  相似度计算   71
4.2  数据分类   74
∣4.2.1  K最近邻算法   74
∣4.2.2  实例5：利用KNN算法实现性别判定   75
∣4.2.3  决策树算法   77
∣4.2.4  实例6：构建是否举办活动的决策树   80
∣4.2.5  朴素贝叶斯算法   84
∣4.2.6  实例7：基于朴素贝叶斯算法进行异常账户检测   87
∣4.2.7  分类器的评估   90
∣4.2.8  实例8：scikit-learn中的分类效果评估   92
4.3  数据聚类   92
∣4.3.1  kMeans算法   92
∣4.3.2  实例9：基于kMeans算法进行商品价格聚类   95
∣4.3.3  二分-kMeans算法   98
∣4.3.4  实例10：基于二分-kMeans算法进行商品价格聚类   99
∣4.3.5  聚类算法的评估   100
∣4.3.6  实例11：scikit-learn中的聚类效果评估   102
4.4  关联分析   103
∣4.4.1  Apriori算法   103
∣4.4.2  实例12：基于Apriori算法实现频繁项集和相关规则挖掘   106
4.5  知识导图   110
∣
第5章  基于用户行为特征的推荐   111
5.1  用户行为分类   111
5.2  基于内容的推荐算法   112
∣5.2.1  算法原理——从“构造特征”到“判断用户是否喜欢”   112
∣5.2.2  实例13：对手机属性进行特征建模   115
5.3  实例14：编写一个基于内容推荐算法的电影推荐系统   117
∣5.3.1  了解实现思路   117
∣5.3.2  准备数据   119
∣5.3.3  选择算法   122
∣5.3.4  模型训练   122
∣5.3.5  效果评估   123
5.4  基于近邻的推荐算法   124
∣5.4.1  UserCF算法的原理——先“找到相似同户”，再“找到他们喜欢的物品”   124
∣5.4.2  ItemCF算法的原理——先“找到用户喜欢的物品”，再“找到喜欢物品的相似物品”  131
5.5  实例15：编写一个基于UserCF算法的电影推荐系统   137
∣5.5.1  了解实现思路   138
∣5.5.2  准备数据   138
∣5.5.3  选择算法   138
∣5.5.4  模型训练   138
∣5.5.5  效果评估   141
5.6  实例16：编写一个基于ItemCF算法的电影推荐系统   141
∣5.6.1  了解实现思路   141
∣5.6.2  准备数据   142
∣5.6.3  选择算法   142
∣5.6.4  模型训练   142
∣5.6.5  效果评估   144
5.7  对比分析：UserCF算法和ItemCF算法   145
5.8  对比分析：基于内容和基于近邻   146
5.9  基于隐语义模型的推荐算法   147
∣5.9.1  LFM概述   147
∣5.9.2  LFM算法理解   148
∣5.10  实例17：编写一个基于LFM的电影推荐系统   152
∣5.10.1  了解实现思路   152
∣5.10.2  准备数据   152
∣5.10.3  选择算法   154
∣5.10.4  模型训练   155
∣5.10.5  效果评估   158
5.11  知识导图   159
∣
第6章  基于标签的推荐   161
6.1  基于标签系统的应用   161
∣6.1.1  Last.fm   161
∣6.1.2  Delicious   162
∣6.1.3  豆瓣   163
∣6.1.4  网易云音乐   163
6.2  数据标注与关键词提取   165
∣6.2.1  推荐系统中的数据标注   165
∣6.2.2  推荐系统中的关键词提取   167
∣6.2.3  标签的分类   168
6.3  实例18：基于TF-IDF算法提取商品标题的关键词   169
∣6.3.1  了解TF-IDF算法   169
∣6.3.2  认识商品标题描述   170
∣6.3.3  提取关键词   170
6.4  基于标签的推荐系统   174
∣6.4.1  标签评分算法   174
∣6.4.2  标签评分算法改进   176
∣6.4.3  标签基因   177
∣6.4.4  用户兴趣建模   177
6.5  实例19：利用标签推荐算法实现艺术家的推荐   178
∣6.5.1  了解实现思路   178
∣6.5.2  准备数据   178
∣6.5.3  选择算法   179
∣6.5.4  模型训练   179
∣6.5.5  效果评估   182
6.6  知识导图   182
∣
第7章  基于上下文的推荐   184
7.1  基于时间特征的推荐   184
∣7.1.1  时间效应介绍   184
∣7.1.2  时间效应分析   187
∣7.1.3  推荐系统的实时性   194
∣7.1.4  协同过滤中的时间因子   195
7.2  实例20：实现一个“增加时间衰减函数的协同过滤算法”   197
∣7.2.1  在UserCF算法中增加时间衰减函数   197
∣7.2.2  在ItemCF算法中增加时间衰减函数   199
7.3  基于地域和热度特征的推荐   200
∣7.3.1  为什么要将地域和热度特征放在一起   201
∣7.3.2  解读LARS中的地域特征   202
∣7.3.3  基于地域和热度的推荐算法   204
7.4  实例21：创建一个基于地域和热度的酒店推荐系统   206
∣7.4.1  了解实现思路   206
∣7.4.2  准备数据   207
∣7.4.3  选择算法   207
∣7.4.4  模型训练   207
∣7.4.5  效果评估   210
∣7.5  其他上下文信息   210
7.6  知识导图   210
∣
第8章  基于点击率预估的推荐   212
8.1  传统推荐算法的局限和应用   212
∣8.1.1  传统推荐算法的局限   212
∣8.1.2  传统推荐算法的应用   213
8.2  点击率预估在推荐系统中的应用   214
8.3  集成学习   214
∣8.3.1  集成学习概述   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  导数、偏导数、方向导数、梯度   217
∣8.4.1  导数   217
∣8.4.2  偏导数   217
∣8.4.3  方向导数   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  决策树   223
∣8.5.3  GBDT算法的原理   224
8.6  实例22：基于GBDT算法预估电信客户流失   227
∣8.6.1  了解实现思路   227
∣8.6.2  准备数据   229
∣8.6.3  选择算法   232
∣8.6.4  模型训练   232
∣8.6.5  效果评估   234
8.7  回归分析   236
∣8.7.1  什么是回归分析   236
∣8.7.2  回归分析算法分类   236
∣8.8  Logistic Regression算法   237
∣8.8.1  Sigmoid函数   237
∣8.8.2  LR为什么要使用Sigmoid函数   239
∣8.8.3  LR的算法原理分析   240
8.9  实例23：基于LR算法预估电信客户流失   241
∣8.9.1  准备数据   242
∣8.9.2  选择算法   242
∣8.9.3  模型训练   242
∣8.9.4  效果评估   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  为什么选择GBDT和LR进行模型融合   246
∣8.10.3  GBDT+LR模型融合的原理   246
8.11  实例24：基于GBDT和LR算法预估电信客户流失   247
∣8.11.1  准备数据   247
∣8.11.2  选择算法   247
∣8.11.3  模型训练   247
∣8.11.4  效果评估   248
8.12  知识导图   251
∣
第9章  推荐系统中的冷启动   252
9.1  冷启动介绍   252
∣9.1.1  冷启动的分类   252
∣9.1.2  冷启动的几种实现方法   252
9.2  基于热门数据推荐实现冷启动   253
9.3  利用用户注册信息实现冷启动   254
∣9.3.1  注册信息分析   254
∣9.3.2  实例25：分析Book-Crossings数据集中的共性特征   255
∣9.3.3  实现原理   261
9.4  利用用户上下文信息实现冷启动   261
∣9.4.1  设备信息特征   262
∣9.4.2  时间地域信息特征   262
∣9.4.3  实现原理   262
9.5  利用第三方数据实现冷启动   263
9.6  利用用户和系统之间的交互实现冷启动   263
∣9.6.1  实现原理   263
∣9.6.2  推荐系统中实时交互的应用   265
∣9.6.3  实例26：用户实时交互推荐系统设计   266
9.7  利用物品的内容属性实现冷启动   267
∣9.7.1  物品内容属性分析   267
∣9.7.2  物品信息的使用   268
9.8  利用专家标注数据实现冷启动   269
9.9  知识导图   270
∣
第10章  推荐系统中的效果评估   271
10.1  用户调研   271
10.2  在线评估   272
10.3  在线实验方式——ABTest   272
∣10.3.1  ABTest介绍   272
∣10.3.2  ABTest流程   272
∣10.3.3  ABTest的注意事项   273
10.4  在线评估指标   274
∣10.4.1  点击率   275
∣10.4.2  转化率   275
∣10.4.3  网站成交额   275
10.5  离线评估   276
10.6  拆分数据集   276
∣10.6.1  留出法   277
∣10.6.2  K-折交叉验证法   277
∣10.6.3  自助法   277
∣10.6.4  实例27：使用sklearn包中的train_test_split()函数进行数据集拆分   278
∣10.6.5  实例28：使用sklearn包中的KFold()函数产生交叉验证数据集   280
∣10.6.6  实例29：使用sklearn包中的cross_validate()函数演示交叉验证   281
10.7  离线评估指标   282
∣10.7.1  准确度指标之预测分类准确度指标   282
∣10.7.2  实例30：使用sklearn包中的metrics类预测分类准确度   288
∣10.7.3  准确度指标之预测评分准确度指标   290
∣10.7.4  实例31：使用sklearn包中的metrics类预测评分准确度   290
∣10.7.5  准确度指标之预测评分关联指标   291
∣10.7.6  准确度指标之排序准确度指标   292
∣10.7.7  非准确度指标   292
10.8  知识导图   296
∣
===第3篇   推荐系统实例
∣第11章  实例32：搭建一个新闻推荐系统   298
11.1  准备数据   298
11.2  预处理数据   298
∣11.2.1  原始数据加工   298
∣11.2.2  新闻热度值计算   299
∣11.2.3  新闻相似度计算   300
∣11.2.4  指定标签下的新闻统计   302
11.3  设计架构   303
11.4  实现系统   304
∣11.4.1  准备环境   304
∣11.4.2  实现后端接口   304
∣11.4.3  实现前端界面   309
∣11.4.4  系统演示   309
11.5  代码复现   311
∣11.5.1  安装依赖   311
∣11.5.2  数据入库   312
∣11.5.3  修改配置   312
∣11.5.4  项目启动   312
11.6  知识导图   312
∣
第12章  实例33：搭建一个音乐推荐系统   314
12.1  准备数据   314
12.2  预处理数据   314
∣12.2.1  计算歌曲、歌手、用户相似度   314
∣12.2.2  计算用户推荐集   315
∣12.2.3  数据导入数据库   319
12.3  设计架构   321
12.4  实现系统   322
∣12.4.1  准备环境   322
∣12.4.2  实现后端接口   322
∣12.4.3  实现前端界面   324
∣12.4.4  系统演示   324
12.5  代码复现   327
∣12.5.1  安装依赖   327
∣12.5.2  数据入库   327
∣12.5.3  修改配置   327
∣12.5.4  项目启动   328
12.6  知识导图   328
∣
第13章  实例34：搭建一个图书推荐系统   329
13.1  准备数据   329
13.2  预处理数据   329
∣13.2.1  原始数据加工   329
∣13.2.2  数据导入数据库   331
∣13.2.3  模型准备   331
13.3  设计架构   332
13.4  实现系统   333
∣13.4.1  准备环境   333
∣13.4.2  实现后端接口   333
∣13.4.3  实现前端界面   336
∣13.4.4  系统演示   336
13.5  代码复现   338
13.6  知识导图   338
∣
第14章  业界推荐系统架构介绍   340
14.1  概述   340
14.2  架构介绍   340
14.3  召回内容   342
14.4  计算排序   343
∣14.4.1  特征工程   343
∣14.4.2  特征分类   343
∣14.4.3  排序算法   343
14.5  物品过滤和展示   344
∣14.5.1  物品过滤   344
∣14.5.2  物品展示   344
14.6  效果评估   344
14.7  知识导图   345

数据，让一切有迹可循，让一切有源可溯。互联网用户每天都在生产数据、创造数据和使用数据，那么在如今这个信息过载的时代，如何在用户和信息之间建立有效、直接的关联变得至关重要。推荐系统就是解决这类问题的，它在海量的商品、信息中建立用户和物品的直接触达关系，让用户在最短的时间内接收最有效的信息，从而减小时间损失。
推荐系统在日常生活中应用十分广泛，小到商场捆绑销售，大到电商、新闻网站，它无时无刻不在影响和改变着人们的生活方式。在这样的背景下，推荐系统得到了长足的发展，当然也需要更多的人投入到推荐系统的研究和建设中来。
本书由浅入深地讲解推荐系统的知识体系，结合背景、基础、理论和实例将推荐系统转化成通俗易懂的逻辑描述语言，帮助非专业的研究者踏上推荐系统的学习旅程，从最开始的推荐系统背景到最后的业界推荐系统架构解析，帮助读者逐步深入了解和开发推荐系统。
本书特色
1．大量应用实例，实战性强
本书共包含34个实例，其中最后三个为完整的推荐系统实例，在读者进行基础知识学习的同时，可通过相应的实例加深对理论的理解。最后三个完整的实例更是将读者从一个分散化的学习状态带入一个完整的推荐系统开发中来，对学习和工作都有很强的指导意义。
2．完整的源代码和数据集
书中所涉及的实例源代码和相关数据集都免费提供给读者，学习更加方便。
3．内容全面，应用性强
本书按照推荐系统入门、进阶、实战的顺序，由浅入深、循序渐进，尽最大可能地将推荐系统的知识通俗易懂地展现给读者。
4．大量宝贵经验的分享
授人以鱼不如授人以渔。本书在讲解知识的过程中，更加注重方法和经验的传递，在不涉及公司隐私的前提下，尽可能地将实践经验穿插在每个章节中，以帮助读者在学习或工作中规避和解决一些问题。
5．知识导图总结
本书每章最后都包含一幅知识导图，这是对该章知识的概括，读者可以在学习该章前或学习该章后进行查看，方便对该章知识进行概览和了解。
每章的知识导图和整本书的知识导图也会免费提供给读者。
6．社群交流，在线解答
本书的读者可以获取作者的个人微信。作者邀请各位读者进入本书的读者群，方便后期的问题解答和学习交流。

查看更多 > 图书评论

暂无评论

发表图书评论

评论标题：
评论内容：
验证码：: 看不清楚
点击刷新
: 您还没有登录，请登录后再评论。
点击“登录”

购买过本书的顾客还买过

{{data.bookName}}

￥{{data.price}}