上 篇
第1章 用戶畫(huà)像概述 3
1．1 用戶畫(huà)像數(shù)據(jù)來(lái)源 3
1．1．1 用戶屬性 5
1．1．2 用戶觀影行為 5
1．2 用戶畫(huà)像特性 5
1．2．1 動(dòng)態(tài)性 5
1．2．2 時(shí)空局部性 6
1．3 用戶畫(huà)像應(yīng)用領(lǐng)域 6
1．3．1 搜索引擎 6
1．3．2 推薦系統(tǒng) 7
1．3．3 其他業(yè)務(wù)定制與優(yōu)化 7
1．4 大數(shù)據(jù)給用戶畫(huà)像帶來(lái)的機(jī)遇與挑戰(zhàn) 8
第2章 用戶畫(huà)像建模 9
2．1 用戶定量畫(huà)像 9
2．2 用戶定性畫(huà)像 10
2．2．1 標(biāo)簽與用戶定性畫(huà)像 10
2．2．2 基于知識(shí)的用戶定性畫(huà)像分析 12
2．2．3 用戶定性畫(huà)像的構(gòu)建 16
2．2．4 定性畫(huà)像知識(shí)的存儲(chǔ) 22
2．2．5 定性畫(huà)像知識(shí)的推理 26
2．3 本章參考文獻(xiàn) 29
第3章 群體用戶畫(huà)像分析 31
3．1 用戶畫(huà)像相似度 32
3．1．1 定量相似度計(jì)算 32
3．1．2 定性相似度計(jì)算 34
3．1．3 綜合相似度計(jì)算 35
3．2 用戶畫(huà)像聚類 36
第4章 用戶畫(huà)像管理 41
4．1 存儲(chǔ)機(jī)制 41
4．1．1 關(guān)系型數(shù)據(jù)庫(kù) 42
4．1．2 NoSQL數(shù)據(jù)庫(kù) 43
4．1．3 數(shù)據(jù)倉(cāng)庫(kù) 45
4．2 查詢機(jī)制 46
4．3 定時(shí)更新機(jī)制 47
4．3．1 獲取實(shí)時(shí)用戶信息 47
4．3．2 更新觸發(fā)條件 48
4．3．3 更新機(jī)制 49
中 篇
第5章 視頻推薦概述 55
5．1 主流推薦方法的分類 56
5．1．1 協(xié)同過(guò)濾的推薦方法 56
5．1．2 基于內(nèi)容的推薦方法 57
5．1．3 基于知識(shí)的推薦方法 59
5．1．4 混合推薦方法 60
5．2 推薦系統(tǒng)的評(píng)測(cè)方法 61
5．3 視頻推薦與用戶畫(huà)像的邏輯關(guān)系 61
第6章 協(xié)同過(guò)濾推薦方法 65
6．1 概述 65
6．2 關(guān)系矩陣及矩陣計(jì)算 67
6．2．1 U-U矩陣 67
6．2．2 V-V矩陣 70
6．2．3 U-V矩陣 72
6．3 基于記憶的協(xié)同過(guò)濾算法 74
6．3．1 基于用戶的協(xié)同過(guò)濾算法 75
6．3．2 基于物品的協(xié)同過(guò)濾算法 78
6．4 基于模型的協(xié)同過(guò)濾算法 81
6．4．1 基于隱因子模型的推薦算法 82
6．4．2 基于樸素貝葉斯分類的推薦算法 85
6．5 小結(jié) 88
6．6 本章參考文獻(xiàn) 88
第7章 基于內(nèi)容的推薦方法 91
7．1 概述 91
7．2 CB推薦中的特征向量 94
7．2．1 視頻推薦中的物品畫(huà)像 94
7．2．2 視頻推薦中的用戶畫(huà)像 96
7．3 基礎(chǔ)CB推薦算法 97
7．4 基于TF-IDF的CB推薦算法 99
7．5 基于KNN的CB推薦算法 102
7．6 基于Rocchio的CB推薦算法 104
7．7 基于決策樹(shù)的CB推薦算法 106
7．8 基于線性分類的CB推薦算法 107
7．9 基于樸素貝葉斯的CB推薦算法 109
7．10 小結(jié) 111
7．11 本章參考文獻(xiàn) 111
第8章 基于知識(shí)的推薦方法 113
8．1 概述 113
8．2 約束知識(shí)與約束推薦算法 114
8．2．1 約束知識(shí)示例 114
8．2．2 約束滿足問(wèn)題 115
8．2．3 約束推薦算法流程 117
8．3 關(guān)聯(lián)知識(shí)與關(guān)聯(lián)推薦算法 118
8．3．1 關(guān)聯(lián)規(guī)則描述 118
8．3．2 關(guān)聯(lián)規(guī)則挖掘 121
8．3．3 關(guān)聯(lián)推薦算法流程 123
8．4 小結(jié) 124
8．5 本章參考文獻(xiàn) 124
第9章 混合推薦方法 125
9．1 概述 125
9．2 算法設(shè)計(jì)層面的混合方法 126
9．2．1 并行式混合 126
9．2．2 整體式混合 129
9．2．3 流水線式混合 131
9．2．4 典型混合應(yīng)用系統(tǒng) 133
9．3 混合式視頻推薦實(shí)例 136
9．3．1 MoRe系統(tǒng)概覽 136
9．3．2 MoRe算法介紹 137
9．3．3 MoRe算法混合 139
9．3．4 MoRe實(shí)驗(yàn)分析 140
9．4 小結(jié) 142
9．5 本章參考文獻(xiàn) 142
第10章 視頻推薦評(píng)測(cè) 145
10．1 概述 145
10．2 視頻推薦試驗(yàn)方法 146
10．2．1 在線評(píng)測(cè) 147
10．2．2 離線評(píng)測(cè) 149
10．2．3 用戶調(diào)查 150
10．3 視頻離線推薦評(píng)測(cè)指標(biāo) 151
10．3．1 準(zhǔn)確度指標(biāo) 151
10．3．2 多樣性指標(biāo) 159
10．4 小結(jié) 161
10．5 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 165
11．1 概述 165
11．2 本章主要內(nèi)容 166
11．3 系統(tǒng)部署 166
11．3．1 Hadoop2．2．0系統(tǒng)部署 166
11．3．2 Hadoop運(yùn)行時(shí)環(huán)境設(shè)置 169
11．3．3 Spark與Mahout部署 175
11．4 Mahout推薦引擎介紹 181
11．4．1 Item-based算法 181
11．4．2 矩陣分解 185
11．4．3 ALS算法 187
11．4．4 Mahout的Spark實(shí)現(xiàn) 190
11．5 快速實(shí)戰(zhàn) 193
11．5．1 概述 193
11．5．2 日志數(shù)據(jù) 194
11．5．3 運(yùn)行環(huán)境 196
11．5．4 基于Mahout Item-based算法實(shí)踐 201
11．5．5 基于Mahout ALS算法實(shí)踐 205
11．6 小結(jié) 208
11．7 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 211
12．1 概述 211
12．2 本章主要內(nèi)容 212
12．3 競(jìng)賽內(nèi)容和意義 212
12．3．1 競(jìng)賽簡(jiǎn)介 212
12．3．2 競(jìng)賽任務(wù)和意義 213
12．4 客戶-商戶數(shù)據(jù) 215
12．4．1 數(shù)據(jù)描述 215
12．4．2 數(shù)據(jù)理解與分析 217
12．5 算法流程設(shè)計(jì) 219
12．5．1 特征提取 219
12．5．2 分類器設(shè)計(jì) 220
12．5．3 算法流程總結(jié) 222
12．6 小結(jié) 222
12．7 本章參考文獻(xiàn) 223