用戶網(wǎng)絡(luò)行為畫像：大數(shù)據(jù)中的用戶網(wǎng)絡(luò)行為畫像分析與內(nèi)容推薦應(yīng)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(lái)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(dòng)態(tài)性 51.2.2 時(shí)空局部性 61.3 用戶畫像應(yīng)用領(lǐng)域 61.3.1 搜索引擎 61.3.2 推薦系統(tǒng) 71.3.3 其他業(yè)務(wù)定制與優(yōu)化 71.4 大數(shù)據(jù)給用戶畫像帶來(lái)的機(jī)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(biāo)簽與用戶定性畫像 102.2.2 基于知識(shí)的用戶定性畫像分析 122.2.3 用戶定性畫像的構(gòu)建 162.2.4 定性畫像知識(shí)的存儲(chǔ) 222.2.5 定性畫像知識(shí)的推理 262.3 本章參考文獻(xiàn) 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(jì)算 323.1.2 定性相似度計(jì)算 343.1.3 綜合相似度計(jì)算 353.2 用戶畫像聚類 36第4章 用戶畫像管理 414.1 存儲(chǔ)機(jī)制 414.1.1 關(guān)系型數(shù)據(jù)庫(kù) 424.1.2 NoSQL數(shù)據(jù)庫(kù) 434.1.3 數(shù)據(jù)倉(cāng)庫(kù) 454.2 查詢機(jī)制 464.3 定時(shí)更新機(jī)制 474.3.1 獲取實(shí)時(shí)用戶信息 474.3.2 更新觸發(fā)條件 484.3.3 更新機(jī)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(guò)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(shí)的推薦方法 595.1.4 混合推薦方法 605.2 推薦系統(tǒng)的評(píng)測(cè)方法 615.3 視頻推薦與用戶畫像的邏輯關(guān)系 61第6章 協(xié)同過(guò)濾推薦方法 656.1 概述 656.2 關(guān)系矩陣及矩陣計(jì)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(guò)濾算法 746.3.1 基于用戶的協(xié)同過(guò)濾算法 756.3.2 基于物品的協(xié)同過(guò)濾算法 786.4 基于模型的協(xié)同過(guò)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(jié) 886.6 本章參考文獻(xiàn) 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(chǔ)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(shù)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(jié) 1117.11 本章參考文獻(xiàn) 111第8章 基于知識(shí)的推薦方法 1138.1 概述 1138.2 約束知識(shí)與約束推薦算法 1148.2.1 約束知識(shí)示例 1148.2.2 約束滿足問(wèn)題 1158.2.3 約束推薦算法流程 1178.3 關(guān)聯(lián)知識(shí)與關(guān)聯(lián)推薦算法 1188.3.1 關(guān)聯(lián)規(guī)則描述 1188.3.2 關(guān)聯(lián)規(guī)則挖掘 1218.3.3 關(guān)聯(lián)推薦算法流程 1238.4 小結(jié) 1248.5 本章參考文獻(xiàn) 124第9章 混合推薦方法 1259.1 概述 1259.2 算法設(shè)計(jì)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(yīng)用系統(tǒng) 1339.3 混合式視頻推薦實(shí)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(shí)驗(yàn)分析 1409.4 小結(jié) 1429.5 本章參考文獻(xiàn) 142第10章 視頻推薦評(píng)測(cè) 14510.1 概述 14510.2 視頻推薦試驗(yàn)方法 14610.2.1 在線評(píng)測(cè) 14710.2.2 離線評(píng)測(cè) 14910.2.3 用戶調(diào)查 15010.3 視頻離線推薦評(píng)測(cè)指標(biāo) 15110.3.1 準(zhǔn)確度指標(biāo) 15110.3.2 多樣性指標(biāo) 15910.4 小結(jié) 16110.5 本章參考文獻(xiàn) 162下 篇第11章 系統(tǒng)層面的快速推薦構(gòu)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(yùn)行時(shí)環(huán)境設(shè)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(shí)現(xiàn) 19011.5 快速實(shí)戰(zhàn) 19311.5.1 概述 19311.5.2 日志數(shù)據(jù) 19411.5.3 運(yùn)行環(huán)境 19611.5.4 基于Mahout Item-based算法實(shí)踐 20111.5.5 基于Mahout ALS算法實(shí)踐 20511.6 小結(jié) 20811.7 本章參考文獻(xiàn) 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(jìng)賽內(nèi)容和意義 21212.3.1 競(jìng)賽簡(jiǎn)介 21212.3.2 競(jìng)賽任務(wù)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(shè)計(jì) 21912.5.1 特征提取 21912.5.2 分類器設(shè)計(jì) 22012.5.3 算法流程總結(jié) 22212.6 小結(jié) 22212.7 本章參考文獻(xiàn) 223