当前位置:主页 > 计算机电子书 > 网络与数据通信 > 大数据分析 pdf电子书
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

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 全书扫描版

  • 更新:2019-12-31
  • 大小:56.6 MB
  • 类别:大数据分析
  • 作者:牛温佳
  • 出版:电子工业出版社
  • 格式:PDF

  • 资源介绍
  • 学习心得
  • 相关内容

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》是由电子工业出版社出版的一本关于大数据分析方面的书籍,作者是牛温佳,主要介绍了关于网络行为、大数据方面的知识内容,目前在大数据分析类书籍综合评分为:7.9分。

书籍介绍

怎样能死死地粘住老客户、吸引住新客户、了解客户的喜好兴趣爱好和悲喜,这全是对公司发展尤为重要乃至事关生死攸关的难题,处理这一难题的方式就是说推荐算法。这书分成从上到下三篇,共13章,上篇为客户画像专业知识工程项目基本,包含定性分析模型、肖像测算、储存及各种各样升级维护保养等管理方法实际操作;中篇为推荐算法与客户画像,包含传统式协同过滤等經典推荐系统的详细介绍,及其涉及到客户画像的强烈推荐方式;续篇为运用经典案例,包含Netflix、阿里巴巴等数据信息比赛的經典数据信息实例,及其在实际工程项目开发设计全过程的实际实例,各自从系统软件要求、整体构造、计算机算法、运作步骤及检测結果等五个层面出示详尽实例具体指导。

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

资源获取

资源地址1:https://pan.baidu.com/s/1NIwoZK4lqeToxYoyC3LOVg(密码:h4e9)

相关资源

网友留言