推荐系统开发实战
全新正版 极速发货
￥ 42.36 5.4折 ￥ 79 全新
库存4件
广东广州
认证卖家担保交易快速发货售后保障
作者编者:高阳团
出版社电子工业
ISBN9787121365201
出版时间2019-07
装帧其他
开本其他
定价79元
货号1201920531
上书时间2024-06-03
商品详情
- 品相描述：全新
- 商品描述
-
目录
第1篇 推荐系统的背景介绍和入门
∣
第1章 走进推荐系统 2
1.1 从“啤酒与尿布”到推荐系统的前世今生 2
∣1.1.1 “啤酒与尿布” 2
∣1.1.2 推荐系统的前世今生 2
1.2 推荐系统可以做什么 4
∣1.2.1 什么是推荐系统 4
∣1.2.2 在电商类产品中的应用 5
∣1.2.3 在社交类产品中的应用 6
∣1.2.4 在音乐类产品中的应用 8
∣1.2.5 在视频类产品中的应用 9
∣1.2.6 在阅读类产品中的应用 10
∣1.2.7 在服务类产品中的应用 11
1.3 学习本书需要的技能 12
∣1.3.1 Python基础 12
∣1.3.2 数据结构 14
∣1.3.3 工程能力 15
1.4 如何学习本书 17
1.5 知识导图 17
第2章 搭建你的第一个推荐系统 19
2.1 实例1：搭建电影推荐系统 19
∣2.1.1 利用Netflix数据集准备数据 19
∣2.1.2 使用Python表示数据 21
∣2.1.3 选择相似用户 23
∣2.1.4 为用户推荐相似用户喜欢的电影 24
∣2.1.5 分析效果 25
2.2 总结：搭建推荐系统的一般步骤 26
∣2.2.1 准备数据 26
∣2.2.2 选择算法 27
∣2.2.3 模型训练 28
∣2.2.4 效果评估 28
2.3 知识导图 28
第3章 推荐系统常用数据集介绍 29
3.1 MovieLens数据集 29
∣3.1.1 README 29
∣3.1.2 ratings.dat 29
∣3.1.3 movies.dat 31
∣3.1.4 users.dat 34
3.2 Book-Crossings数据集 36
∣3.2.1 BX-Book-Ratings.csv 37
∣3.2.2 BX-Books.csv 39
∣3.2.3 BX-Users.csv 39
3.3 Last.fm数据集 41
∣3.3.1 README 41
∣3.3.2 artists.dat 41
∣3.3.3 tags.dat 41
∣3.3.4 user_artists.dat 42
∣3.3.5 user_friends.dat 42
∣3.3.6 uses_taggedartists.dat 42
∣3.3.7 user_taggedartists-timestamps.dat 42
3.4 FourSquare数据集 43
∣3.4.1 users.dat 43
∣3.4.2 venues.dat 44
∣3.4.3 checkins.dat 44
∣3.4.4 socialgraph.dat 44
∣3.4.5 ratings.dat 45
3.5 Kaggle比赛之retailrocket 数据集 46
∣3.5.1 events.csv 47
∣3.5.2 category_tree.csv 49
∣3.5.3 item_properties.csv 49
3.6 场景分析 49
3.7 知识导图 50
第2篇 推荐系统涉及的算法介绍、冷启动和效果评估
第4章 数据挖掘——让推荐系统更懂你 52
4.1 数据预处理 52
4.1.1 数据标准化 52
4.1.2 实例2：实现数据的标准化 54
4.1.3 数据离散化 56
4.1.4 实例3：基于信息熵的数据离散化 58
4.1.5 数据抽样 61
4.1.6 数据降维 63
4.1.7 实例4：对鸢尾花数据集特征进行降维 66
4.1.8 数据清理 68
4.1.9 相似度计算 71
4.2 数据分类 74
4.2.1 K最近邻算法 74
4.2.2 实例5：利用KNN算法实现性别判定 75
4.2.3 决策树算法 77
4.2.4 实例6：构建是否举办活动的决策树 80
4.2.5 朴素贝叶斯算法 84
4.2.6 实例7：基于朴素贝叶斯算法进行异常账户检测 87
4.2.7 分类器的评估 90
4.2.8 实例8：scikit-learn中的分类效果评估 92
4.3 数据聚类 92
4.3.1 kMeans算法 92
4.3.2 实例9：基于kMeans算法进行商品价格聚类 95
4.3.3 二分-kMeans算法 98
4.3.4 实例10：基于二分-kMeans算法进行商品价格聚类 99
4.3.5 聚类算法的评估 100
4.3.6 实例11：scikit-learn中的聚类效果评估 102
4.4 关联分析 103
4.4.1 Apriori算法 103
4.4.2 实例12：基于Apriori算法实现频繁项集和相关规则挖掘 106
4.5 知识导图 110
第5章 基于用户行为特征的推荐 111
5.1 用户行为分类 111
5.2 基于内容的推荐算法 112
5.2.1 算法原理——从“构造特征”到“判断用户是否喜欢” 112
5.2.2 实例13：对手机属性进行特征建模 115
5.3 实例14：编写一个基于内容推荐算法的电影推荐系统 117
5.3.1 了解实现思路 117
5.3.2 准备数据 119
5.3.3 选择算法 122
5.3.4 模型训练 122
5.3.5 效果评估 123
5.4 基于近邻的推荐算法 124
5.4.1 UserCF算法的原理——先“找到相似同户”，再“找到他们喜欢的物品” 124
5.4.2 ItemCF算法的原理——先“找到用户喜欢的物品”，再“找到喜欢物品的相似物品” 131
5.5 实例15：编写一个基于UserCF算法的电影推荐系统 137
5.5.1 了解实现思路 138
5.5.2 准备数据 138
5.5.3 选择算法 138
5.5.4 模型训练 138
5.5.5 效果评估 141
5.6 实例16：编写一个基于ItemCF算法的电影推荐系统 141
5.6.1 了解实现思路 141
5.6.2 准备数据 142
5.6.3 选择算法 142
5.6.4 模型训练 142
5.6.5 效果评估 144
5.7 对比分析：UserCF算法和ItemCF算法 145
5.8 对比分析：基于内容和基于近邻 146
5.9 基于隐语义模型的推荐算法 147
5.9.1 LFM概述 147
5.9.2 LFM算法理解 148
5.10 实例17：编写一个基于LFM的电影推荐系统 152
5.10.1 了解实现思路 152
5.10.2 准备数据 152
5.10.3 选择算法 154
5.10.4 模型训练 155
5.10.5 效果评估 158
5.11 知识导图 159
第6章 基于标签的推荐 161
6.1 基于标签系统的应用 161
∣6.1.1 Last.fm 161
∣6.1.2 Delicious 162
∣6.1.3 豆瓣 163
∣6.1.4 网易云音乐 163
6.2 数据标注与关键词提取 165
∣6.2.1 推荐系统中的数据标注 165
∣6.2.2 推荐系统中的关键词提取 167
∣6.2.3 标签的分类 168
6.3 实例18：基于TF-IDF算法提取商品标题的关键词 169
∣6.3.1 了解TF-IDF算法 169
∣6.3.2 认识商品标题描述 170
∣6.3.3 提取关键词 170
6.4 基于标签的推荐系统 174
∣6.4.1 标签评分算法 174
∣6.4.2 标签评分算法改进 176
∣6.4.3 标签基因 177
∣6.4.4 用户兴趣建模 177
6.5 实例19：利用标签推荐算法实现艺术家的推荐 178
∣6.5.1 了解实现思路 178
∣6.5.2 准备数据 178
∣6.5.3 选择算法 179
∣6.5.4 模型训练 179
∣6.5.5 效果评估 182
6.6 知识导图 182
∣
第7章 基于上下文的推荐 184
7.1 基于时间特征的推荐 184
∣7.1.1 时间效应介绍 184
∣7.1.2 时间效应分析 187
∣7.1.3 推荐系统的实时性 194
∣7.1.4 协同过滤中的时间因子 195
7.2 实例20：实现一个“增加时间衰减函数的协同过滤算法” 197
∣7.2.1 在UserCF算法中增加时间衰减函数 197
∣7.2.2 在ItemCF算法中增加时间衰减函数 199
7.3 基于地域和热度特征的推荐 200
∣7.3.1 为什么要将地域和热度特征放在一起 201
∣7.3.2 解读LARS中的地域特征
内容摘要
过程完整：从基本原理到实际项目开发实例丰富：将理论学习落实到具体实践（共34个实例）简洁流畅：采用短段、短句，读来有顺流而下般流畅感实战性强：搭建新闻推荐系统、音乐推荐系统、图书推荐系统学习无忧：免费提供书中用到的素材和源代码后继服务：读者可加入本书QQ学习群在线交流
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价