《自己动手做推荐引擎》求取 ⇩

第1章推荐引擎介绍1

1.1推荐引擎定义1

1.2推荐系统的必要性3

1.3大数据对推荐系统的推动作用4

1.4推荐系统类型4

1.4.1协同过滤推荐系统4

1.4.2基于内容的推荐系统5

1.4.3混合推荐系统6

1.4.4情境感知推荐系统7

1.5推荐系统技术的发展8

1.5.1Mahout在可扩展推荐系统中的应用8

1.5.2 Apache Spark在可扩展实时推荐系统中的应用9

1.6本章小结12

第2章构建第一个推荐引擎13

2.1构建基础推荐引擎14

2.1.1载入并格式化数据15

2.1.2计算用户相似度17

2.1.3为用户预测未知评级18

2.2本章小结24

第3章推荐引擎详解25

3.1推荐引擎的发展26

3.2基于近邻算法的推荐引擎27

3.2.1基于用户的协同过滤29

3.2.2基于项目的协同过滤30

3.2.3优点32

3.2.4缺点32

3.3基于内容的推荐系统32

3.3.1用户画像生成35

3.3.2优点36

3.3.3缺点36

3.4情境感知推荐系统37

3.4.1情境定义38

3.4.2前置过滤法40

3.4.3后置过滤法40

3.4.4优点41

3.4.5缺点41

3.5混合推荐系统41

3.5.1加权法42

3.5.2混合法42

3.5.3层叠法42

3.5.4特征组合法42

3.5.5优点43

3.6基于模型的推荐系统43

3.6.1概率法44

3.6.2机器学习法44

3.6.3数学法44

3.6.4优点45

3.7本章小结45

第4章数据挖掘技术在推荐引擎中的应用46

4.1基于近邻算法的技术47

4.1.1欧氏距离47

4.1.2余弦相似度48

4.1.3Jaccard相似度51

4.1.4皮尔逊相关系数51

4.2数学建模技术53

4.2.1矩阵分解53

4.2.2交替最小二乘法55

4.2.3奇异值分解55

4.3机器学习技术57

4.3.1线性回归57

4.3.2分类模型59

4.4聚类技术69

4.5降维71

4.6向量空间模型75

4.6.1词频75

4.6.2词频-逆文档频率76

4.7评估技术78

4.7.1交叉验证79

4.7.2正则化80

4.8本章小结82

第5章构建协同过滤推荐引擎83

5.1在RStudio上安装recommenderlab83

5.2 recommenderlab包中可用的数据集85

5.3探讨数据集88

5.4使用recommenderlab构建基于用户的协同过滤89

5.4.1准备训练数据和测试数据90

5.4.2创建一个基于用户的协同模型90

5.4.3在测试集上进行预测92

5.4.4分析数据集93

5.4.5使用k折交叉验证评估推荐模型95

5.4.6评估基于用户的协同过滤96

5.5构建基于项目的推荐模型99

5.5.1构建IBCF推荐模型100

5.5.2模型评估103

5.5.3模型准确率度量104

5.5.4模型准确率绘图105

5.5.5IBCF参数调优107

5.6使用Python构建协同过滤110

5.6.1安装必要包110

5.6.2数据源110

5.7数据探讨111

5.7.1表示评级矩阵113

5.7.2创建训练集和测试集114

5.7.3构建UBCF的步骤115

5.7.4基于用户的相似度计算115

5.7.5预测活跃用户的未知评级116

5.8使用KNN进行基于用户的协同过滤117

5.9基于项目的推荐118

5.9.1评估模型119

5.9.2KNN训练模型120

5.9.3评估模型120

5.10本章小结120

第6章构建个性化推荐引擎121

6.1个性化推荐系统122

6.2基于内容的推荐系统122

6.2.1构建一个基于内容的推荐系统123

6.2.2使用R语言构建基于内容的推荐123

6.2.3使用Python语言构建基于内容的推荐133

6.3情境感知推荐系统144

6.3.1构建情境感知推荐系统144

6.3.2使用R语言构建情境感知推荐145

6.4本章小结150

第7章使用Spark构建实时推荐引擎151

7.1Spark 2.0介绍152

7.1.1 Spark架构152

7.1.2 Spark组件154

7.1.3 Spark Core154

7.1.4 Spark的优点156

7.1.5 Spark设置156

7.1.6 SparkSession157

7.1.7弹性分布式数据集158

7.1.8关于ML流水线158

7.2使用交替最小二乘法进行协同过滤160

7.3使用PySpark构建基于模型的推荐系统162

7.4 MLlib推荐引擎模块163

7.5推荐引擎方法164

7.5.1实现164

7.5.2基于用户的协同过滤172

7.5.3模型评估173

7.5.4模型选择和超参数调优174

7.6本章小结179

第8章通过Neo4j构建实时推荐180

8.1图数据库种类181

8.2Neo4j183

8.2.1 Cypher查询语言184

8.2.2节点语法184

8.2.3关系语法185

8.2.4构建第一个图185

8.3 Neo4j Windows安装192

8.4Neo4j Linux安装194

8.4.1下载Neo4j194

8.4.2设置Neo4j195

8.4.3命令行启动Neo4j195

8.5构建推荐引擎197

8.5.1将数据加载到Neo4j197

8.5.2使用Neo4j生成推荐200

8.5.3使用欧氏距离进行协同过滤201

8.5.4使用余弦相似度进行协同过滤206

8.6本章小结209

第9章使用Mahout构建可扩展的推荐引擎210

9.1 Mahout简介211

9.2配置Mahout211

9.2.1Mahout单机模式211

9.2.2 Mahout分布式模式218

9.3Mahout的核心构建模块220

9.3.1基于用户的协同过滤推荐引擎组件220

9.3.2使用Mahout构建推荐引擎223

9.3.3数据描述223

9.3.4基于用户的协同过滤225

9.4基于项目的协同过滤228

9.5协同过滤评估231

9.6基于用户的推荐评估231

9.7基于项目的推荐评估232

9.8 SVD推荐系统235

9.9使用Mahout进行分布式推荐236

9.10可扩展系统的架构240

9.11本章小结241

第10章推荐引擎的未来242

10.1推荐引擎的未来242

10.2推荐系统的发展阶段243

10.2.1一般的推荐系统243

10.2.2个性化推荐系统244

10.2.3未来的推荐系统245

10.2.4下一个最佳举措249

10.2.5使用案例249

10.3流行方法251

10.4推荐引擎的时效性252

10.4.1A/B测试253

10.4.2反馈机制254

10.5本章小结255