自己动手系列自己动手做推荐引擎_PDF下载[132MB-百度云][印]苏雷什?库马尔?戈拉卡拉（Sur

本书特色

[

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。

]

内容简介

[

]

作者简介技术评审员简介前言第1章　推荐引擎介绍11.1推荐引擎定义11.2推荐系统的必要性31.3大数据对推荐系统的推动作用41.4推荐系统类型41.4.1协同过滤推荐系统41.4.2基于内容的推荐系统51.4.3混合推荐系统61.4.4情境感知推荐系统71.5推荐系统技术的发展81.5.1Mahout在可扩展推荐系统中的应用81.5.2Apache Spark在可扩展实时推荐系统中的应用91.6本章小结12第2章　构建**个推荐引擎132.1构建基础推荐引擎142.1.1载入并格式化数据152.1.2计算用户相似度172.1.3为用户预测未知评级182.2本章小结24第3章　推荐引擎详解253.1推荐引擎的发展263.2基于近邻算法的推荐引擎273.2.1基于用户的协同过滤293.2.2基于项目的协同过滤303.2.3优点323.2.4缺点323.3基于内容的推荐系统323.3.1用户画像生成353.3.2优点363.3.3缺点363.4情境感知推荐系统373.4.1情境定义383.4.2前置过滤法403.4.3后置过滤法403.4.4优点413.4.5缺点413.5混合推荐系统413.5.1加权法423.5.2混合法423.5.3层叠法423.5.4特征组合法423.5.5优点433.6基于模型的推荐系统433.6.1概率法443.6.2机器学习法443.6.3数学法443.6.4优点453.7本章小结45第4章　数据挖掘技术在推荐引擎中的应用464.1基于近邻算法的技术474.1.1欧氏距离474.1.2余弦相似度484.1.3Jaccard相似度514.1.4皮尔逊相关系数514.2数学建模技术534.2.1矩阵分解534.2.2交替*小二乘法554.2.3奇异值分解554.3机器学习技术574.3.1线性回归574.3.2分类模型594.4聚类技术694.5降维714.6向量空间模型754.6.1词频754.6.2词频-逆文档频率764.7评估技术784.7.1交叉验证794.7.2正则化804.8本章小结82第5章　构建协同过滤推荐引擎835.1在RStudio上安装recommenderlab835.2recommenderlab包中可用的数据集855.3探讨数据集885.4使用recommenderlab构建基于用户的协同过滤895.4.1准备训练数据和测试数据905.4.2创建一个基于用户的协同模型905.4.3在测试集上进行预测925.4.4分析数据集935.4.5使用k折交叉验证评估推荐模型955.4.6评估基于用户的协同过滤965.5构建基于项目的推荐模型995.5.1构建IBCF推荐模型1005.5.2模型评估1035.5.3模型准确率度量1045.5.4模型准确率绘图1055.5.5IBCF参数调优1075.6使用Python构建协同过滤1105.6.1安装必要包1105.6.2数据源1105.7数据探讨1115.7.1表示评级矩阵1135.7.2创建训练集和测试集1145.7.3构建UBCF的步骤1155.7.4基于用户的相似度计算1155.7.5预测活跃用户的未知评级1165.8使用KNN 进行基于用户的协同过滤1175.9基于项目的推荐1185.9.1评估模型1195.9.2KNN训练模型1205.9.3评估模型1205.10本章小结120第6章　构建个性化推荐引擎1216.1个性化推荐系统1226.2基于内容的推荐系统1226.2.1构建一个基于内容的推荐系统1236.2.2使用 R语言构建基于内容的推荐1236.2.3使用Python语言构建基于内容的推荐1336.3情境感知推荐系统1446.3.1构建情境感知推荐系统1446.3.2使用R语言构建情境感知推荐1456.4本章小结150第7章　使用Spark构建实时推荐引擎1517.1Spark 2.0介绍1527.1.1Spark架构1527.1.2Spark组件1547.1.3Spark Core1547.1.4Spark的优点1567.1.5Spark设置1567.1.6SparkSession1577.1.7弹性分布式数据集1587.1.8关于ML流水线1587.2使用交替*小二乘法进行协同过滤1607.3使用PySpark构建基于模型的推荐系统1627.4MLlib推荐引擎模块1637.5推荐引擎方法1647.5.1实现1647.5.2基于用户的协同过滤1727.5.3模型评估1737.5.4模型选择和超参数调优1747.6本章小结179第8章　通过Neo4j构建实时推荐1808.1图数据库种类1818.2Neo4j1838.2.1Cypher查询语言1848.2.2节点语法1848.2.3关系语法1858.2.4构建**个图1858.3Neo4j Windows安装1928.4Neo4j Linux安装1948.4.1下载Neo4j1948.4.2设置Neo4j1958.4.3命令行启动Neo4j1958.5构建推荐引擎1978.5.1将数据加载到Neo4j1978.5.2使用Neo4j生成推荐2008.5.3使用欧氏距离进行协同过滤2018.5.4使用余弦相似度进行协同过滤2068.6本章小结209第9章　使用Mahout构建可扩展的推荐引擎2109.1Mahout简介2119.2配置Mahout2119.2.1Mahout单机模式2119.2.2Mahout分布式模式2189.3Mahout的核心构建模块2209.3.1基于用户的协同过滤推荐引擎组件2209.3.2使用Mahout构建推荐引擎2239.3.3数据描述2239.3.4基于用户的协同过滤2259.4基于项目的协同过滤2289.5协同过滤评估2319.6基于用户的推荐评估2319.7基于项目的推荐评估2329.8SVD推荐系统2359.9使用Mahout进行分布式推荐2369.10可扩展系统的架构2409.11本章小结241第10章　推荐引擎的未来24210.1推荐引擎的未来24210.2推荐系统的发展阶段24310.2.1一般的推荐系统24310.2.2个性化推荐系统24410.2.3未来的推荐系统24510.2.4下