用戶網(wǎng)絡行為畫像：大數(shù)據(jù)中的用戶網(wǎng)絡行為畫像分析與內(nèi)容推薦應用

目 錄上 篇第1章 用戶畫像概述 31.1 用戶畫像數(shù)據(jù)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(tài)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(tǒng) 71.3.3 其他業(yè)務定制與優(yōu)化 71.4 大數(shù)據(jù)給用戶畫像帶來的機遇與挑戰(zhàn) 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(shù)據(jù)庫 424.1.2 NoSQL數(shù)據(jù)庫 434.1.3 數(shù)據(jù)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(fā)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(xié)同過濾的推薦方法 565.1.2 基于內(nèi)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(tǒng)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(xié)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(xié)同過濾算法 746.3.1 基于用戶的協(xié)同過濾算法 756.3.2 基于物品的協(xié)同過濾算法 786.4 基于模型的協(xié)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(nèi)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(lián)知識與關聯(lián)推薦算法 1188.3.1 關聯(lián)規(guī)則描述 1188.3.2 關聯(lián)規(guī)則挖掘 1218.3.3 關聯(lián)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(tǒng) 1339.3 混合式視頻推薦實例 1369.3.1 MoRe系統(tǒng)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(tǒng)層面的快速推薦構建 16511.1 概述 16511.2 本章主要內(nèi)容 16611.3 系統(tǒng)部署 16611.3.1 Hadoop2.2.0系統(tǒng)部署 16611.3.2 Hadoop運行時環(huán)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(xiàn) 19011.5 快速實戰(zhàn) 19311.5.1 概述 19311.5.2 日志數(shù)據(jù) 19411.5.3 運行環(huán)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(shù)據(jù)層面的分析與推薦案例 21112.1 概述 21112.2 本章主要內(nèi)容 21212.3 競賽內(nèi)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(shù)據(jù) 21512.4.1 數(shù)據(jù)描述 21512.4.2 數(shù)據(jù)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