用户网络行为画像 大数据中的用户网络行为画像分析与内容推荐应用PDF|Epub|txt|kindle电子书版本网盘下载

用户网络行为画像 大数据中的用户网络行为画像分析与内容推荐应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

上篇3

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55

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165

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