自己動手做推薦引擎

作者簡介
技術(shù)評審員簡介
前言
第1章　推薦引擎介紹 1
1.1推薦引擎定義 1
1.2推薦系統(tǒng)的必要性 3
1.3大數(shù)據(jù)對推薦系統(tǒng)的推動作用 4
1.4推薦系統(tǒng)類型 4
1.4.1協(xié)同過濾推薦系統(tǒng) 4
1.4.2基于內(nèi)容的推薦系統(tǒng) 5
1.4.3混合推薦系統(tǒng) 6
1.4.4情境感知推薦系統(tǒng) 7
1.5推薦系統(tǒng)技術(shù)的發(fā)展 8
1.5.1Mahout在可擴展推薦系統(tǒng)中的應(yīng)用 8
1.5.2Apache Spark在可擴展實時推薦系統(tǒng)中的應(yīng)用 9
1.6本章小結(jié) 12
第2章　構(gòu)建個推薦引擎 13
2.1構(gòu)建基礎(chǔ)推薦引擎 14
2.1.1載入并格式化數(shù)據(jù) 15
2.1.2計算用戶相似度 17
2.1.3為用戶預(yù)測未知評級 18
2.2本章小結(jié) 24
第3章　推薦引擎詳解 25
3.1推薦引擎的發(fā)展 26
3.2基于近鄰算法的推薦引擎 27
3.2.1基于用戶的協(xié)同過濾 29
3.2.2基于項目的協(xié)同過濾 30
3.2.3優(yōu)點 32
3.2.4缺點 32
3.3基于內(nèi)容的推薦系統(tǒng) 32
3.3.1用戶畫像生成 35
3.3.2優(yōu)點 36
3.3.3缺點 36
3.4情境感知推薦系統(tǒng) 37
3.4.1情境定義 38
3.4.2前置過濾法 40
3.4.3后置過濾法 40
3.4.4優(yōu)點 41
3.4.5缺點 41
3.5混合推薦系統(tǒng) 41
3.5.1加權(quán)法 42
3.5.2混合法 42
3.5.3層疊法 42
3.5.4特征組合法 42
3.5.5優(yōu)點 43
3.6基于模型的推薦系統(tǒng) 43
3.6.1概率法 44
3.6.2機器學(xué)習(xí)法 44
3.6.3數(shù)學(xué)法 44
3.6.4優(yōu)點 45
3.7本章小結(jié) 45
第4章　數(shù)據(jù)挖掘技術(shù)在推薦引擎中的應(yīng)用 46
4.1基于近鄰算法的技術(shù) 47
4.1.1歐氏距離 47
4.1.2余弦相似度 48
4.1.3Jaccard相似度 51
4.1.4皮爾遜相關(guān)系數(shù) 51
4.2數(shù)學(xué)建模技術(shù) 53
4.2.1矩陣分解 53
4.2.2交替小二乘法 55
4.2.3奇異值分解 55
4.3機器學(xué)習(xí)技術(shù) 57
4.3.1線性回歸 57
4.3.2分類模型 59
4.4聚類技術(shù) 69
4.5降維 71
4.6向量空間模型 75
4.6.1詞頻 75
4.6.2詞頻-逆文檔頻率 76
4.7評估技術(shù) 78
4.7.1交叉驗證 79
4.7.2正則化 80
4.8本章小結(jié) 82
第5章　構(gòu)建協(xié)同過濾推薦引擎 83
5.1在RStudio上安裝recommenderlab 83
5.2recommenderlab包中可用的數(shù)據(jù)集 85
5.3探討數(shù)據(jù)集 88
5.4使用recommenderlab構(gòu)建基于用戶的協(xié)同過濾 89
5.4.1準(zhǔn)備訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù) 90
5.4.2創(chuàng)建一個基于用戶的協(xié)同模型 90
5.4.3在測試集上進行預(yù)測 92
5.4.4分析數(shù)據(jù)集 93
5.4.5使用k折交叉驗證評估推薦模型 95
5.4.6評估基于用戶的協(xié)同過濾 96
5.5構(gòu)建基于項目的推薦模型 99
5.5.1構(gòu)建IBCF推薦模型 100
5.5.2模型評估 103
5.5.3模型準(zhǔn)確率度量 104
5.5.4模型準(zhǔn)確率繪圖 105
5.5.5IBCF參數(shù)調(diào)優(yōu) 107
5.6使用Python構(gòu)建協(xié)同過濾 110
5.6.1安裝必要包 110
5.6.2數(shù)據(jù)源 110
5.7數(shù)據(jù)探討 111
5.7.1表示評級矩陣 113
5.7.2創(chuàng)建訓(xùn)練集和測試集 114
5.7.3構(gòu)建UBCF的步驟 115
5.7.4基于用戶的相似度計算 115
5.7.5預(yù)測活躍用戶的未知評級 116
5.8使用KNN 進行基于用戶的協(xié)同過濾 117
5.9基于項目的推薦 118
5.9.1評估模型 119
5.9.2KNN訓(xùn)練模型 120
5.9.3評估模型 120
5.10本章小結(jié) 120
第6章　構(gòu)建個性化推薦引擎 121
6.1個性化推薦系統(tǒng) 122
6.2基于內(nèi)容的推薦系統(tǒng) 122
6.2.1構(gòu)建一個基于內(nèi)容的推薦系統(tǒng) 123
6.2.2使用 R語言構(gòu)建基于內(nèi)容的推薦 123
6.2.3使用Python語言構(gòu)建基于內(nèi)容的推薦 133
6.3情境感知推薦系統(tǒng) 144
6.3.1構(gòu)建情境感知推薦系統(tǒng) 144
6.3.2使用R語言構(gòu)建情境感知推薦 145
6.4本章小結(jié) 150
第7章　使用Spark構(gòu)建實時推薦引擎 151
7.1Spark 2.0介紹 152
7.1.1Spark架構(gòu) 152
7.1.2Spark組件 154
7.1.3Spark Core 154
7.1.4Spark的優(yōu)點 156
7.1.5Spark設(shè)置 156
7.1.6SparkSession 157
7.1.7彈性分布式數(shù)據(jù)集 158
7.1.8關(guān)于ML流水線 158
7.2使用交替小二乘法進行協(xié)同過濾 160
7.3使用PySpark構(gòu)建基于模型的推薦系統(tǒng) 162
7.4MLlib推薦引擎模塊 163
7.5推薦引擎方法 164
7.5.1實現(xiàn) 164
7.5.2基于用戶的協(xié)同過濾 172
7.5.3模型評估 173
7.5.4模型選擇和超參數(shù)調(diào)優(yōu) 174
7.6本章小結(jié) 179
第8章　通過Neo4j構(gòu)建實時推薦 180
8.1圖數(shù)據(jù)庫種類 181
8.2Neo4j 183
8.2.1Cypher查詢語言 184
8.2.2節(jié)點語法 184
8.2.3關(guān)系語法 185
8.2.4構(gòu)建個圖 185
8.3Neo4j Windows安裝 192
8.4Neo4j Linux安裝 194
8.4.1下載Neo4j 194
8.4.2設(shè)置Neo4j 195
8.4.3命令行啟動Neo4j 195
8.5構(gòu)建推薦引擎 197
8.5.1將數(shù)據(jù)加載到Neo4j 197
8.5.2使用Neo4j生成推薦 200
8.5.3使用歐氏距離進行協(xié)同過濾 201
8.5.4使用余弦相似度進行協(xié)同過濾 206
8.6本章小結(jié) 209
第9章　使用Mahout構(gòu)建可擴展的推薦引擎 210
9.1Mahout簡介 211
9.2配置Mahout 211
9.2.1Mahout單機模式 211
9.2.2Mahout分布式模式 218
9.3Mahout的核心構(gòu)建模塊 220
9.3.1基于用戶的協(xié)同過濾推薦引擎組件 220
9.3.2使用Mahout構(gòu)建推薦引擎 223
9.3.3數(shù)據(jù)描述 223
9.3.4基于用戶的協(xié)同過濾 225
9.4基于項目的協(xié)同過濾 228
9.5協(xié)同過濾評估 231
9.6基于用戶的推薦評估 231
9.7基于項目的推薦評估 232
9.8SVD推薦系統(tǒng) 235
9.9使用Mahout進行分布式推薦 236
9.10可擴展系統(tǒng)的架構(gòu) 240
9.11本章小結(jié) 241
第10章　推薦引擎的未來 242
10.1推薦引擎的未來 242
10.2推薦系統(tǒng)的發(fā)展階段 243
10.2.1一般的推薦系統(tǒng) 243
10.2.2個性化推薦系統(tǒng) 244
10.2.3未來的推薦系統(tǒng) 245
10.2.4下一個舉措 249
10.2.5使用案例 249
10.3流行方法 251
10.4推薦引擎的時效性 252
10.4.1A/B測試 253
10.4.2反饋機制 254
10.5本章小結(jié) 255