總金額: 會員:NT$ 0 非會員:NT$ 0 
(此金額尚未加上運費)
電子電信技術 電腦技術 計算技術、計算機技術
 
 
 
 
自己動手做推薦引擎(配件另行下載)
 叢書名稱: 自己動手系列
 作  者: (印)蘇雷什•庫馬爾•戈拉卡拉
 出版單位: 機械工業
 出版日期: 2020.01
 進貨日期: 2020/1/13
 ISBN: 9787111641087
 開  本: 16 開    
 定  價: 593
 售  價: 474
  會 員 價: 435
推到Facebook 推到Plurk 推到Twitter
前往新書區 書籍介紹 購物流程  
 
編輯推薦:

推薦引擎(有時也稱為推薦系統)是一個能讓算法開發者預測用戶會喜歡或不喜歡給定項目列表中項目的工具。它在最近幾年得到了廣泛應用。
本書首先介紹推薦引擎及其應用,然後循序漸進地講解如何使用R、Python、Spark、Neo4j和Hadoop等流行框架構建推薦系統。通過本書,你會了解到每種推薦引擎的利弊以及何時使用它們,也將學會創建簡單的推薦引擎、實時推薦引擎和可擴展推薦引擎等。

通過閱讀本書,你將學會:

·構建你的一個推薦引擎
·了解構建推薦引擎所需的工具
·鑽研推薦系統的各種技術,如協同過濾、基於內容及交叉推薦
·創建減輕你工作負擔的高效決策系統
·熟悉不同框架中的機器學習算法
·通過實際代碼示例精通不同版本的推薦引擎
·探索各種推薦系統並通過流行技術(如R、Python、Spark等)實現它們


內容簡介:

推薦引擎,是主動發現用戶當前或潛在需求,並主動推送信息給用戶的信息網絡。挖掘用戶的喜好和需求,主動向用戶推薦其感興趣或者需要的對象。近些年該技術得到普遍使用,應用於各種應用程序中。因此,更多的開發者開始關注個性推薦引擎的搭建。本書是人工智能數據科學家Suresh Kumar Gorakala經多年實踐及研究所著,由淺入深介紹了推薦引擎搭建的方法,並展望了推薦引擎的未來發展。


圖書目錄:

作者簡介
技術評審員簡介
前言
第1章 推薦引擎介紹1
1.1推薦引擎定義1
1.2推薦系統的必要性3
1.3大數據對推薦系統的推動作用4
1.4推薦系統類型4
1.4.1協同過濾推薦系統4
1.4.2基於內容的推薦系統5
1.4.3混合推薦系統6
1.4.4情境感知推薦系統7
1.5推薦系統技術的發展8
1.5.1Mahout在可擴展推薦系統中的應用8
1.5.2Apache Spark在可擴展實時推薦系統中的應用9
1.6本章小結12
第2章 構建第一個推薦引擎13
2.1構建基礎推薦引擎14
2.1.1載入並格式化數據15
2.1.2計算用戶相似度17
2.1.3為用戶預測未知評級18
2.2本章小結24
第3章 推薦引擎詳解25
3.1推薦引擎的發展26
3.2基於近鄰算法的推薦引擎27
3.2.1基於用戶的協同過濾29
3.2.2基於項目的協同過濾30
3.2.3優點32
3.2.4缺點32
3.3基於內容的推薦系統32
3.3.1用戶畫像生成35
3.3.2優點36
3.3.3缺點36
3.4情境感知推薦系統37
3.4.1情境定義38
3.4.2前置過濾法40
3.4.3後置過濾法40
3.4.4優點41
3.4.5缺點41
3.5混合推薦系統41
3.5.1加權法42
3.5.2混合法42
3.5.3層疊法42
3.5.4特徵組合法42
3.5.5優點43
3.6基於模型的推薦系統43
3.6.1概率法44
3.6.2機器學習法44
3.6.3數學法44
3.6.4優點45
3.7本章小結45
第4章 數據挖掘技術在推薦引擎中的應用46
4.1基於近鄰算法的技術47
4.1.1歐氏距離47
4.1.2餘弦相似度48
4.1.3Jaccard相似度51
4.1.4皮爾遜相關係數51
4.2數學建模技術53
4.2.1矩陣分解53
4.2.2交替最小二乘法55
4.2.3奇異值分解55
4.3機器學習技術57
4.3.1線性回歸57
4.3.2分類模型59
4.4聚類技術69
4.5降維71
4.6向量空間模型75
4.6.1詞頻75
4.6.2詞頻-逆文檔頻率76
4.7評估技術78
4.7.1交叉驗證79
4.7.2正則化80
4.8本章小結82
第5章 構建協同過濾推薦引擎83
5.1在RStudio上安裝recommenderlab83
5.2recommenderlab包中可用的數據集85
5.3探討數據集88
5.4使用recommenderlab構建基於用戶的協同過濾89
5.4.1準備訓練數據和測試數據90
5.4.2創建一個基於用戶的協同模型90
5.4.3在測試集上進行預測92
5.4.4分析數據集93
5.4.5使用k折交叉驗證評估推薦模型95
5.4.6評估基於用戶的協同過濾96
5.5構建基於項目的推薦模型99
5.5.1構建IBCF推薦模型100
5.5.2模型評估103
5.5.3模型準確率度量104
5.5.4模型準確率繪圖105
5.5.5IBCF參數調優107
5.6使用Python構建協同過濾110
5.6.1安裝必要包110
5.6.2數據源110
5.7數據探討111
5.7.1表示評級矩陣113
5.7.2創建訓練集和測試集114
5.7.3構建UBCF的步驟115
5.7.4基於用戶的相似度計算115
5.7.5預測活躍用戶的未知評級116
5.8使用KNN 進行基於用戶的協同過濾117
5.9基於項目的推薦118
5.9.1評估模型119
5.9.2KNN訓練模型120
5.9.3評估模型120
5.10本章小結120
第6章 構建個性化推薦引擎121
6.1個性化推薦系統122
6.2基於內容的推薦系統122
6.2.1構建一個基於內容的推薦系統123
6.2.2使用 R語言構建基於內容的推薦123
6.2.3使用Python語言構建基於內容的推薦133
6.3情境感知推薦系統144
6.3.1構建情境感知推薦系統144
6.3.2使用R語言構建情境感知推薦145
6.4本章小結150
第7章 使用Spark構建實時推薦引擎151
7.1Spark 2.0介紹152
7.1.1Spark架構152
7.1.2Spark組件154
7.1.3Spark Core154
7.1.4Spark的優點156
7.1.5Spark設置156
7.1.6SparkSession157
7.1.7彈性分布式數據集158
7.1.8關於ML流水線158
7.2使用交替最小二乘法進行協同過濾160
7.3使用PySpark構建基於模型的推薦系統162
7.4MLlib推薦引擎模塊163
7.5推薦引擎方法164
7.5.1實現164
7.5.2基於用戶的協同過濾172
7.5.3模型評估173
7.5.4模型選擇和超參數調優174
7.6本章小結179
第8章 通過Neo4j構建實時推薦180
8.1圖數據庫種類181
8.2Neo4j183
8.2.1Cypher查詢語言184
8.2.2節點語法184
8.2.3關係語法185
8.2.4構建第一個圖185
8.3Neo4j Windows安裝192
8.4Neo4j Linux安裝194
8.4.1下載Neo4j194
8.4.2設置Neo4j195
8.4.3命令行啟動Neo4j195
8.5構建推薦引擎197
8.5.1將數據加載到Neo4j197
8.5.2使用Neo4j生成推薦200
8.5.3使用歐氏距離進行協同過濾201
8.5.4使用餘弦相似度進行協同過濾206
8.6本章小結209
第9章 使用Mahout構建可擴展的推薦引擎210
9.1Mahout簡介211
9.2配置Mahout211
9.2.1Mahout單機模式211
9.2.2Mahout分布式模式218
9.3Mahout的核心構建模塊220
9.3.1基於用戶的協同過濾推薦引擎組件220
9.3.2使用Mahout構建推薦引擎223
9.3.3數據描述223
9.3.4基於用戶的協同過濾225
9.4基於項目的協同過濾228
9.5協同過濾評估231
9.6基於用戶的推薦評估231
9.7基於項目的推薦評估232
9.8SVD推薦系統235
9.9使用Mahout進行分布式推薦236
9.10可擴展系統的架構240
9.11本章小結241
第10章 推薦引擎的未來242
10.1推薦引擎的未來242
10.2推薦系統的發展階段243
10.2.1一般的推薦系統243
10.2.2個性化推薦系統244
10.2.3未來的推薦系統245
10.2.4下


章節試讀:

本書是一本推薦引擎技術的綜合入門指南,介紹使用R、Python、Spark、Mahout、Neo4j技術實現諸如協同過濾、基於內容的推薦引擎和情境感知推薦引擎的內容。本書也介紹了廣泛用於行業內的各種推薦引擎及其實現。當然,也涵蓋了一些推薦引擎中常用的流行數據挖掘技術,並在本書最後簡要討論了推薦引擎的未來方向。

主要內容
第1章為數據科學家提供思路,也為入門者提供指南。該章主要介紹了人們生活中常常遇到的推薦引擎及其優缺點。
第2章通過一個構建電影推薦的例子簡單介紹了推薦引擎,以便將讀者引入到推薦引擎的世界。
第3章主要介紹目前流行的不同推薦引擎技術,如基於用戶的協同過濾、基於項目的協同過濾、基於內容的推薦引擎、情境感知推薦引擎、混合推薦引擎、使用機器學習模型和數學模型的基於模型的推薦系統。
第4章闡述了推薦引擎中使用的各種機器學習技術,如相似度度量、分類、回歸和降維技術,並且介紹了用以測試推薦引擎預測能力的評估指標。
第5章介紹如何使用R和Python構建基於用戶與基於項目的協同過濾,並介紹了這兩種語言中廣泛用於構建推薦引擎的庫。
第6章介紹如何使用R和Python構建個性化推薦引擎,並介紹用於構建基於內容的推薦系統和情境感知推薦引擎的各種庫。
第7章介紹使用Spark和MLlib構建實時推薦系統的基礎。
第8章引入GraphDB、Neo4j的概念和基礎知識,以及如何使用Neo4j構建實時推薦系統。
第9章主要介紹Hadoop和Mahout在構建可擴展的推薦系統上的構建模塊及體系結構,以及使用Mahout和SVD的詳細實現。
第10章主要是對之前章節的總結,包括應用於構建決策系統的最佳實踐以及對未來的展望。
書中代碼的開發環境
為使用R、Python、Spark、Neo4j、Mahout進行推薦引擎的不同實現,我們需要以下軟件:

讀者對象
本書適合想要使用R、Python、Spark、Neo4j和Hadoop構建複雜預測決策系統及推薦引擎的初學者與有經驗的數據科學家閱讀。
格式約定
新術語和重要詞彙用黑體顯示。
表示警告或重點提示。
表示技巧。
下載示例代碼及彩色圖像
本書的示例代碼及所有截圖和樣圖,可以從http://www.packtpub.com通過個人賬號下載,也可以訪問華章圖書官網http://www.hzbook.com,通過註冊並登錄個人賬號下載。

 
  步驟一.
依據網路上的圖書,挑選你所需要的書籍,根據以下步驟進行訂購
選擇產品及數量 結 帳 輸入基本資料 取貨與付款方式
┌───────────────────────────────────────────────────┘
資料確定 確認結帳 訂單編號    

步驟二.
完成付款的程序後,若採用貨到付款等宅配方式,3~7天內 ( 例假日將延期一至兩天 ) 您即可收到圖書。若至分店門市取貨,一週內聯絡取書。

步驟三.
完成購書程序者,可利用 訂單查詢 得知訂單進度。

注意事項.
● 付款方式若為網路刷卡必須等" 2 ~ 3 個工作天"確認款項已收到,才會出貨.如有更改書籍數量請記得按更新購物車,謝謝。

● 大陸出版品封面老舊、磨痕、凹痕等均屬常態,除封面破損、內頁脫落...等較嚴重的狀態外,其餘所有商品將正常出貨。

● 至2018年起,因中國大陸環保政策,部分書籍配件以QR CODE取代光盤音頻mp3或dvd,已無提供實體光盤。如需使用學習配件,請掃描QR CODE 連結至當地網站註冊並通過驗證程序,方可下載使用。造成不便,敬請見諒。

● 我們將保留所有商品出貨權利,如遇缺書情形,訂單未達免運門檻運費需自行負擔。

預訂海外庫存.
商品到貨時間須4週,訂單書籍備齊後方能出貨,如果您有急用書籍,建議與【預訂海外庫存】商品分開訂購。