用戶網(wǎng)絡(luò)行為畫像：大數(shù)據(jù)中的用戶網(wǎng)絡(luò)行為畫像分析與內(nèi)容推薦應(yīng)用

定　價：￥59.00

作　者：	牛溫佳等
出版社：	電子工業(yè)出版社
叢編項：
標(biāo)　簽：	計算機(jī)/網(wǎng)絡(luò) 網(wǎng)絡(luò)配置與管理網(wǎng)絡(luò)與數(shù)據(jù)通信

購買這本書可以去

ISBN：	9787121280702	出版時間：	2016-03-01	包裝：	平塑
開本：		頁數(shù)：	236	字?jǐn)?shù)：

內(nèi)容簡介

　　如何能牢牢地黏住老用戶、吸引新用戶、讀懂用戶的偏好興趣和喜怒哀樂，這都是對企業(yè)發(fā)展至關(guān)重要甚至關(guān)乎生死存亡的問題，解決這個問題的方法就是推薦系統(tǒng)。本書分為上中下三篇，共13章，上篇為用戶畫像知識工程基礎(chǔ)，包括表征建模、畫像計算、存儲及各種更新維護(hù)等管理操作；中篇為推薦系統(tǒng)與用戶畫像，包括傳統(tǒng)協(xié)同過濾等經(jīng)典推薦算法的介紹，以及涉及用戶畫像的推薦方法；下篇為應(yīng)用案例分析，包括Netflix、阿里等數(shù)據(jù)競賽的經(jīng)典數(shù)據(jù)案例，以及在具體工程開發(fā)過程的具體案例，分別從系統(tǒng)需求、總體結(jié)構(gòu)、算法設(shè)計、運行流程及測試結(jié)果等五個方面提供詳細(xì)案例指導(dǎo)。

作者簡介

　　牛溫佳，男，博士，中國科學(xué)院信息工程研究所副研究員。主持國家自然科學(xué)基金青年基金項目和廣西可信軟件重點實驗室開放課題各一項，作為骨干先后參與了多個重要項目，包括工信部重大專項、973、863和中科院戰(zhàn)略先導(dǎo)專項等。

圖書目錄

目錄上篇第1章用戶畫像概述 31.1 用戶畫像數(shù)據(jù)來源 31.1.1 用戶屬性 51.1.2 用戶觀影行為 51.2 用戶畫像特性 51.2.1 動態(tài)性 51.2.2 時空局部性 61.3 用戶畫像應(yīng)用領(lǐng)域 61.3.1 搜索引擎 61.3.2 推薦系統(tǒng) 71.3.3 其他業(yè)務(wù)定制與優(yōu)化 71.4 大數(shù)據(jù)給用戶畫像帶來的機(jī)遇與挑戰(zhàn) 8第2章用戶畫像建模 92.1 用戶定量畫像 92.2 用戶定性畫像 102.2.1 標(biāo)簽與用戶定性畫像 102.2.2 基于知識的用戶定性畫像分析 122.2.3 用戶定性畫像的構(gòu)建 162.2.4 定性畫像知識的存儲 222.2.5 定性畫像知識的推理 262.3 本章參考文獻(xiàn) 29第3章群體用戶畫像分析 313.1 用戶畫像相似度 323.1.1 定量相似度計算 323.1.2 定性相似度計算 343.1.3 綜合相似度計算 353.2 用戶畫像聚類 36第4章用戶畫像管理 414.1 存儲機(jī)制 414.1.1 關(guān)系型數(shù)據(jù)庫 424.1.2 NoSQL數(shù)據(jù)庫 434.1.3 數(shù)據(jù)倉庫 454.2 查詢機(jī)制 464.3 定時更新機(jī)制 474.3.1 獲取實時用戶信息 474.3.2 更新觸發(fā)條件 484.3.3 更新機(jī)制 49中篇第5章視頻推薦概述 555.1 主流推薦方法的分類 565.1.1 協(xié)同過濾的推薦方法 565.1.2 基于內(nèi)容的推薦方法 575.1.3 基于知識的推薦方法 595.1.4 混合推薦方法 605.2 推薦系統(tǒng)的評測方法 615.3 視頻推薦與用戶畫像的邏輯關(guān)系 61第6章協(xié)同過濾推薦方法 656.1 概述 656.2 關(guān)系矩陣及矩陣計算 676.2.1 U-U矩陣 676.2.2 V-V矩陣 706.2.3 U-V矩陣 726.3 基于記憶的協(xié)同過濾算法 746.3.1 基于用戶的協(xié)同過濾算法 756.3.2 基于物品的協(xié)同過濾算法 786.4 基于模型的協(xié)同過濾算法 816.4.1 基于隱因子模型的推薦算法 826.4.2 基于樸素貝葉斯分類的推薦算法 856.5 小結(jié) 886.6 本章參考文獻(xiàn) 88第7章基于內(nèi)容的推薦方法 917.1 概述 917.2 CB推薦中的特征向量 947.2.1 視頻推薦中的物品畫像 947.2.2 視頻推薦中的用戶畫像 967.3 基礎(chǔ)CB推薦算法 977.4 基于TF-IDF的CB推薦算法 997.5 基于KNN的CB推薦算法 1027.6 基于Rocchio的CB推薦算法 1047.7 基于決策樹的CB推薦算法 1067.8 基于線性分類的CB推薦算法 1077.9 基于樸素貝葉斯的CB推薦算法 1097.10 小結(jié) 1117.11 本章參考文獻(xiàn) 111第8章基于知識的推薦方法 1138.1 概述 1138.2 約束知識與約束推薦算法 1148.2.1 約束知識示例 1148.2.2 約束滿足問題 1158.2.3 約束推薦算法流程 1178.3 關(guān)聯(lián)知識與關(guān)聯(lián)推薦算法 1188.3.1 關(guān)聯(lián)規(guī)則描述 1188.3.2 關(guān)聯(lián)規(guī)則挖掘 1218.3.3 關(guān)聯(lián)推薦算法流程 1238.4 小結(jié) 1248.5 本章參考文獻(xiàn) 124第9章混合推薦方法 1259.1 概述 1259.2 算法設(shè)計層面的混合方法 1269.2.1 并行式混合 1269.2.2 整體式混合 1299.2.3 流水線式混合 1319.2.4 典型混合應(yīng)用系統(tǒng) 1339.3 混合式視頻推薦實例 1369.3.1 MoRe系統(tǒng)概覽 1369.3.2 MoRe算法介紹 1379.3.3 MoRe算法混合 1399.3.4 MoRe實驗分析 1409.4 小結(jié) 1429.5 本章參考文獻(xiàn) 142第10章視頻推薦評測 14510.1 概述 14510.2 視頻推薦試驗方法 14610.2.1 在線評測 14710.2.2 離線評測 14910.2.3 用戶調(diào)查 15010.3 視頻離線推薦評測指標(biāo) 15110.3.1 準(zhǔn)確度指標(biāo) 15110.3.2 多樣性指標(biāo) 15910.4 小結(jié) 16110.5 本章參考文獻(xiàn) 162下篇第11章系統(tǒng)層面的快速推薦構(gòu)建 16511.1 概述 16511.2 本章主要內(nèi)容 16611.3 系統(tǒng)部署 16611.3.1 Hadoop2.2.0系統(tǒng)部署 16611.3.2 Hadoop運行時環(huán)境設(shè)置 16911.3.3 Spark與Mahout部署 17511.4 Mahout推薦引擎介紹 18111.4.1 Item-based算法 18111.4.2 矩陣分解 18511.4.3 ALS算法 18711.4.4 Mahout的Spark實現(xiàn) 19011.5 快速實戰(zhàn) 19311.5.1 概述 19311.5.2 日志數(shù)據(jù) 19411.5.3 運行環(huán)境 19611.5.4 基于Mahout Item-based算法實踐 20111.5.5 基于Mahout ALS算法實踐 20511.6 小結(jié) 20811.7 本章參考文獻(xiàn) 208第12章數(shù)據(jù)層面的分析與推薦案例 21112.1 概述 21112.2 本章主要內(nèi)容 21212.3 競賽內(nèi)容和意義 21212.3.1 競賽簡介 21212.3.2 競賽任務(wù)和意義 21312.4 客戶-商戶數(shù)據(jù) 21512.4.1 數(shù)據(jù)描述 21512.4.2 數(shù)據(jù)理解與分析 21712.5 算法流程設(shè)計 21912.5.1 特征提取 21912.5.2 分類器設(shè)計 22012.5.3 算法流程總結(jié) 22212.6 小結(jié) 22212.7 本章參考文獻(xiàn) 223