掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
用戶網絡行為畫像-大數據中的用戶網絡行為畫像分析與內容推薦應用 版權信息
- ISBN：9787121280702
- 條形碼：9787121280702 ; 978-7-121-28070-2
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
用戶網絡行為畫像-大數據中的用戶網絡行為畫像分析與內容推薦應用 本書特色
如何能牢牢地黏住老用戶、吸引新用戶、讀懂用戶的偏好興趣和喜怒哀樂，這都是對企業發展至關重要甚至關乎生死存亡的問題，解決這個問題的方法就是推薦系統。本書分為上中下三篇，共13章，上篇為用戶畫像知識工程基礎，包括表征建模、畫像計算、存儲及各種更新維護等管理操作；中篇為推薦系統與用戶畫像，包括傳統協同過濾等經典推薦算法的介紹，以及涉及用戶畫像的推薦方法；下篇為應用案例分析，包括netflix、阿里等數據競賽的經典數據案例，以及在具體工程開發過程的具體案例，分別從系統需求、總體結構、算法設計、運行流程及測試結果等五個方面提供詳細案例指導。
用戶網絡行為畫像-大數據中的用戶網絡行為畫像分析與內容推薦應用 內容簡介
如何能牢牢地黏住老用戶、吸引新用戶、讀懂用戶的偏好興趣和喜怒哀樂，這都是對企業發展至關重要甚至關乎生死存亡的問題，解決這個問題的方法就是推薦系統。本書分為上中下三篇，共13章，上篇為用戶畫像知識工程基礎，包括表征建模、畫像計算、存儲及各種更新維護等管理操作；中篇為推薦系統與用戶畫像，包括傳統協同過濾等經典推薦算法的介紹，以及涉及用戶畫像的推薦方法；下篇為應用案例分析，包括Netflix、阿里等數據競賽的經典數據案例，以及在具體工程開發過程的具體案例，分別從系統需求、總體結構、算法設計、運行流程及測試結果等五個方面提供詳細案例指導。
用戶網絡行為畫像-大數據中的用戶網絡行為畫像分析與內容推薦應用 目錄
目 錄上 篇第1章 用戶畫像概述 31.1 用戶畫像數據來源 31.1.1 用戶屬性 51.1.2 用戶觀影行為 51.2 用戶畫像特性 51.2.1 動態性 51.2.2 時空局部性 61.3 用戶畫像應用領域 61.3.1 搜索引擎 61.3.2 推薦系統 71.3.3 其他業務定制與優化 71.4 大數據給用戶畫像帶來的機遇與挑戰 8第2章 用戶畫像建模 92.1 用戶定量畫像 92.2 用戶定性畫像 102.2.1 標簽與用戶定性畫像 102.2.2 基于知識的用戶定性畫像分析 122.2.3 用戶定性畫像的構建 162.2.4 定性畫像知識的存儲 222.2.5 定性畫像知識的推理 262.3 本章參考文獻 29第3章 群體用戶畫像分析 313.1 用戶畫像相似度 323.1.1 定量相似度計算 323.1.2 定性相似度計算 343.1.3 綜合相似度計算 353.2 用戶畫像聚類 36第4章 用戶畫像管理 414.1 存儲機制 414.1.1 關系型數據庫 424.1.2 nosql數據庫 434.1.3 數據倉庫 454.2 查詢機制 464.3 定時更新機制 474.3.1 獲取實時用戶信息 474.3.2 更新觸發條件 484.3.3 更新機制 49中 篇第5章 視頻推薦概述 555.1 主流推薦方法的分類 565.1.1 協同過濾的推薦方法 565.1.2 基于內容的推薦方法 575.1.3 基于知識的推薦方法 595.1.4 混合推薦方法 605.2 推薦系統的評測方法 615.3 視頻推薦與用戶畫像的邏輯關系 61第6章 協同過濾推薦方法 656.1 概述 656.2 關系矩陣及矩陣計算 676.2.1 u-u矩陣 676.2.2 v-v矩陣 706.2.3 u-v矩陣 726.3 基于記憶的協同過濾算法 746.3.1 基于用戶的協同過濾算法 756.3.2 基于物品的協同過濾算法 786.4 基于模型的協同過濾算法 816.4.1 基于隱因子模型的推薦算法 826.4.2 基于樸素貝葉斯分類的推薦算法 856.5 小結 886.6 本章參考文獻 88第7章 基于內容的推薦方法 917.1 概述 917.2 cb推薦中的特征向量 947.2.1 視頻推薦中的物品畫像 947.2.2 視頻推薦中的用戶畫像 967.3 基礎cb推薦算法 977.4 基于tf-idf的cb推薦算法 997.5 基于knn的cb推薦算法 1027.6 基于rocchio的cb推薦算法 1047.7 基于決策樹的cb推薦算法 1067.8 基于線性分類的cb推薦算法 1077.9 基于樸素貝葉斯的cb推薦算法 1097.10 小結 1117.11 本章參考文獻 111第8章 基于知識的推薦方法 1138.1 概述 1138.2 約束知識與約束推薦算法 1148.2.1 約束知識示例 1148.2.2 約束滿足問題 1158.2.3 約束推薦算法流程 1178.3 關聯知識與關聯推薦算法 1188.3.1 關聯規則描述 1188.3.2 關聯規則挖掘 1218.3.3 關聯推薦算法流程 1238.4 小結 1248.5 本章參考文獻 124第9章 混合推薦方法 1259.1 概述 1259.2 算法設計層面的混合方法 1269.2.1 并行式混合 1269.2.2 整體式混合 1299.2.3 流水線式混合 1319.2.4 典型混合應用系統 1339.3 混合式視頻推薦實例 1369.3.1 more系統概覽 1369.3.2 more算法介紹 1379.3.3 more算法混合 1399.3.4 more實驗分析 1409.4 小結 1429.5 本章參考文獻 142第10章 視頻推薦評測 14510.1 概述 14510.2 視頻推薦試驗方法 14610.2.1 在線評測 14710.2.2 離線評測 14910.2.3 用戶調查 15010.3 視頻離線推薦評測指標 15110.3.1 準確度指標 15110.3.2 多樣性指標 15910.4 小結 16110.5 本章參考文獻 162下 篇第11章 系統層面的快速推薦構建 16511.1 概述 16511.2 本章主要內容 16611.3 系統部署 16611.3.1 hadoop2.2.0系統部署 16611.3.2 hadoop運行時環境設置 16911.3.3 spark與mahout部署 17511.4 mahout推薦引擎介紹 18111.4.1 item-based算法 18111.4.2 矩陣分解 18511.4.3 als算法 18711.4.4 mahout的spark實現 19011.5 快速實戰 19311.5.1 概述 19311.5.2 日志數據 19411.5.3 運行環境 19611.5.4 基于mahout item-based算法實踐 20111.5.5 基于mahout als算法實踐 20511.6 小結 20811.7 本章參考文獻 208第12章 數據層面的分析與推薦案例 21112.1 概述 21112.2 本章主要內容 21212.3 競賽內容和意義 21212.3.1 競賽簡介 21212.3.2 競賽任務和意義 21312.4 客戶-商戶數據 21512.4.1 數據描述 21512.4.2 數據理解與分析 21712.5 算法流程設計 21912.5.1 特征提取 21912.5.2 分類器設計 22012.5.3 算法流程總結 22212.6 小結 22212.7 本章參考文獻 223
展開全部
用戶網絡行為畫像-大數據中的用戶網絡行為畫像分析與內容推薦應用 作者簡介
牛溫佳，男，博士，中國科學院信息工程研究所副研究員。主持國家自然科學基金青年基金項目和廣西可信軟件重點實驗室開放課題各一項，作為骨干先后參與了多個重要項目，包括工信部重大專項、973、863和中科院戰略先導專項等。
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
回憶愛瑪儂
- >
苦雨齋序跋文-周作人自編集
- >
月亮虎
- >
我與地壇
- >
唐代進士錄
- >
我從未如此眷戀人間
- >
莉莉和章魚
本類暢銷
