内容简介

如何能牢牢地黏住老用户、吸引新用户、读懂用户的偏好兴趣和喜怒哀乐，这都是对企业发展至关重要甚至关乎生死存亡的问题，解决这个问题的方法就是推荐系统。本书分为上中下三篇，共13章，上篇为用户画像知识工程基础，包括表征建模、画像计算、存储及各种更新维护等管理操作；中篇为推荐系统与用户画像，包括传统协同过滤等经典推荐算法的介绍，以及涉及用户画像的推荐方法；下篇为应用案例分析，包括Netflix、阿里等数据竞赛的经典数据案例，以及在具体工程开发过程的具体案例，分别从系统需求、总体结构、算法设计、运行流程及测试结果等五个方面提供详细案例指导。

作品目录

上 篇

第1章 用户画像概述 3

1.1 用户画像数据来源 3

1.1.1 用户属性 5

1.1.2 用户观影行为 5

1.2 用户画像特性 5

1.2.1 动态性 5

1.2.2 时空局部性 6

1.3 用户画像应用领域 6

1.3.1 搜索引擎 6

1.3.2 推荐系统 7

1.3.3 其他业务定制与优化 7

1.4 大数据给用户画像带来的机遇与挑战 8

第2章 用户画像建模 9

2.1 用户定量画像 9

2.2 用户定性画像 10

2.2.1 标签与用户定性画像 10

2.2.2 基于知识的用户定性画像分析 12

2.2.3 用户定性画像的构建 16

2.2.4 定性画像知识的存储 22

2.2.5 定性画像知识的推理 26

2.3 本章参考文献 29

第3章 群体用户画像分析 31

3.1 用户画像相似度 32

3.1.1 定量相似度计算 32

3.1.2 定性相似度计算 34

3.1.3 综合相似度计算 35

3.2 用户画像聚类 36

第4章 用户画像管理 41

4.1 存储机制 41

4.1.1 关系型数据库 42

4.1.2 NoSQL数据库 43

4.1.3 数据仓库 45

4.2 查询机制 46

4.3 定时更新机制 47

4.3.1 获取实时用户信息 47

4.3.2 更新触发条件 48

4.3.3 更新机制 49

中 篇

第5章 视频推荐概述 55

5.1 主流推荐方法的分类 56

5.1.1 协同过滤的推荐方法 56

5.1.2 基于内容的推荐方法 57

5.1.3 基于知识的推荐方法 59

5.1.4 混合推荐方法 60

5.2 推荐系统的评测方法 61

5.3 视频推荐与用户画像的逻辑关系 61

第6章 协同过滤推荐方法 65

6.1 概述 65

6.2 关系矩阵及矩阵计算 67

6.2.1 U-U矩阵 67

6.2.2 V-V矩阵 70

6.2.3 U-V矩阵 72

6.3 基于记忆的协同过滤算法 74

6.3.1 基于用户的协同过滤算法 75

6.3.2 基于物品的协同过滤算法 78

6.4 基于模型的协同过滤算法 81

6.4.1 基于隐因子模型的推荐算法 82

6.4.2 基于朴素贝叶斯分类的推荐算法 85

6.5 小结 88

6.6 本章参考文献 88

第7章 基于内容的推荐方法 91

7.1 概述 91

7.2 CB推荐中的特征向量 94

7.2.1 视频推荐中的物品画像 94

7.2.2 视频推荐中的用户画像 96

7.3 基础CB推荐算法 97

7.4 基于TF-IDF的CB推荐算法 99

7.5 基于KNN的CB推荐算法 102

7.6 基于Rocchio的CB推荐算法 104

7.7 基于决策树的CB推荐算法 106

7.8 基于线性分类的CB推荐算法 107

7.9 基于朴素贝叶斯的CB推荐算法 109

7.10 小结 111

7.11 本章参考文献 111

第8章 基于知识的推荐方法 113

8.1 概述 113

8.2 约束知识与约束推荐算法 114

8.2.1 约束知识示例 114

8.2.2 约束满足问题 115

8.2.3 约束推荐算法流程 117

8.3 关联知识与关联推荐算法 118

8.3.1 关联规则描述 118

8.3.2 关联规则挖掘 121

8.3.3 关联推荐算法流程 123

8.4 小结 124

8.5 本章参考文献 124

第9章 混合推荐方法 125

9.1 概述 125

9.2 算法设计层面的混合方法 126

9.2.1 并行式混合 126

9.2.2 整体式混合 129

9.2.3 流水线式混合 131

9.2.4 典型混合应用系统 133

9.3 混合式视频推荐实例 136

9.3.1 MoRe系统概览 136

9.3.2 MoRe算法介绍 137

9.3.3 MoRe算法混合 139

9.3.4 MoRe实验分析 140

9.4 小结 142

9.5 本章参考文献 142

第10章 视频推荐评测 145

10.1 概述 145

10.2 视频推荐试验方法 146

10.2.1 在线评测 147

10.2.2 离线评测 149

10.2.3 用户调查 150

10.3 视频离线推荐评测指标 151

10.3.1 准确度指标 151

10.3.2 多样性指标 159

10.4 小结 161

10.5 本章参考文献 162

下 篇

第11章 系统层面的快速推荐构建 165

11.1 概述 165

11.2 本章主要内容 166

11.3 系统部署 166

11.3.1 Hadoop2.2.0系统部署 166

11.3.2 Hadoop运行时环境设置 169

11.3.3 Spark与Mahout部署 175

11.4 Mahout推荐引擎介绍 181

11.4.1 Item-based算法 181

11.4.2 矩阵分解 185

11.4.3 ALS算法 187

11.4.4 Mahout的Spark实现 190

11.5 快速实战 193

11.5.1 概述 193

11.5.2 日志数据 194

11.5.3 运行环境 196

11.5.4 基于Mahout Item-based算法实践 201

11.5.5 基于Mahout ALS算法实践 205

11.6 小结 208

11.7 本章参考文献 208

第12章 数据层面的分析与推荐案例 211

12.1 概述 211

12.2 本章主要内容 212

12.3 竞赛内容和意义 212

12.3.1 竞赛简介 212

12.3.2 竞赛任务和意义 213

12.4 客户-商户数据 215

12.4.1 数据描述 215

12.4.2 数据理解与分析 217

12.5 算法流程设计 219

12.5.1 特征提取 219

12.5.2 分类器设计 220

12.5.3 算法流程总结 222

12.6 小结 222

12.7 本章参考文献 223