欢迎光临
免费的PDF电子书下载网站

自己动手做推荐引擎 PDF下载

编辑推荐

推荐引擎(有时也称为推荐系统)是一个能让算法开发者预测用户会喜欢或不喜欢给定项目列表中项目的工具。它在近几年得到了广泛应用。
本书首先介绍推荐引擎及其应用,然后循序渐进地讲解如何使用R、Python、Spark、Neo4j和Hadoop等流行框架构建推荐系统。通过本书,你会了解到每种推荐引擎的利弊以及何时使用它们,也将学会创建简单的推荐引擎、实时推荐引擎和可扩展推荐引擎等。

通过阅读本书,你将学会:

·构建你的*个推荐引擎
·了解构建推荐引擎所需的工具
·钻研推荐系统的各种技术,如协同过滤、基于内容及交叉推荐
·创建减轻你工作负担的高效决策系统
·熟悉不同框架中的机器学习算法
·通过实际代码示例精通不同版本的推荐引擎
·探索各种推荐系统并通过流行技术(如R、Python、Spark等)实现它们

内容简介

推荐引擎,是主动发现用户当前或潜在需求,并主动推送信息给用户的信息网络。挖掘用户的喜好和需求,主动向用户推荐其感兴趣或者需要的对象。近些年该技术得到普遍使用,应用于各种应用程序中。因此,更多的开发者开始关注个性推荐引擎的搭建。本书是人工智能数据科学家Suresh Kumar Gorakala经多年实践及研究所著,由浅入深介绍了推荐引擎搭建的方法,并展望了推荐引擎的未来发展。

作者简介

苏雷什•库马尔•戈拉卡拉(Suresh Kumar Gorakala)是一位专注于人工智能方向的数据科学家。他拥有近10年的专业经验,曾为多个领域的全球客户服务,并帮助他们使用先进的大数据分析技术解决业务问题。他主要从事推荐引擎、自然语言处理、高级机器学习和图数据库等方面的工作。

自己动手做推荐引擎 PDF下载

目录

作者简介
技术评审员简介
前言
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
1.5.2Apache 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recommenderlab 83
5.2recommenderlab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
7.1.1Spark架构 152
7.1.2Spark组件 154
7.1.3Spark Core 154
7.1.4Spark的优点 156
7.1.5Spark设置 156
7.1.6SparkSession 157
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
7.4MLlib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
8.2Neo4j 183
8.2.1Cypher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
8.3Neo4j Windows安装 192
8.4Neo4j Linux安装 194
8.4.1下载Neo4j 194
8.4.2设置Neo4j 195
8.4.3命令行启动Neo4j 195
8.5构建推荐引擎 197
8.5.1将数据加载到Neo4j 197
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
9.1Mahout简介 211
9.2配置Mahout 211
9.2.1Mahout单机模式 211
9.2.2Mahout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
9.8SVD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

自己动手做推荐引擎 pdf下载声明

本pdf资料下载仅供个人学习和研究使用,不能用于商业用途,请在下载后24小时内删除。如果喜欢,请购买正版

pdf下载地址

版权归出版社和作者所有,下载链接已删除。如果喜欢,请购买正版!

链接地址:自己动手做推荐引擎