用戶網絡行為畫像 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

<內容介紹> 

如何能牢牢地黏住老用戶、吸引新用戶、讀懂用戶的偏好興趣和喜怒哀樂，這都是對企業發展至關重要甚至關乎生死存亡的問題，解決這個問題的方法就是推薦系統。牛溫佳、劉吉強、石川、康翠翠、童恩棟等編著的《用戶網絡行為畫像（大數據中的用戶網絡行為畫像分析與內容推薦應用）》分為上中下三篇，共13章，上篇為用戶畫像知識工程基礎，包括表徵建模、畫像計算、存儲及各種更新維護等管理操作；中篇為推薦系統與用戶畫像，包括傳統協同過濾等經典推薦演算法的介紹，以及涉及用戶畫像的推薦方法；下篇為應用案例分析，包括Netflix、阿裡等數據競賽的經典數據案例，以及在具體工程開發過程中的具體案例，分別從系統需求、總體結構、演算法設計、運行流程及測試結果等五個方面提供詳細案例指導。
    本書適合從事因特網工作的人員閱讀，也作為相關專業的教材。

<章節目錄>

上篇
第1章  用戶畫像概述
  1.1  用戶畫像數據來源
    1.1.1  用戶屬性
    1.1.2  用戶觀影行為
  1.2  用戶畫像特性
    1.2.1  動態性
    1.2.2  時空局部性
  1.3  用戶畫像應用領域
    1.3.1  搜索引擎
    1.3.2  推薦系統
    1.3.3  其他業務定製與優化
  1.4  大數據給用戶畫像帶來的機遇與挑戰
第2章  用戶畫像建模
  2.1  用戶定量畫像
  2.2  用戶定性畫像
    2.2.1  標籤與用戶定性畫像
    2.2.2  基於知識的用戶定性畫像分析
    2.2.3  用戶定性畫像的構建
    2.2.4  定性畫像知識的存儲
    2.2.5  定性畫像知識的推理
  2.3  本章參考文獻
第3章  群體用戶畫像分析
  3.1  用戶畫像相似度
    3.1.1  定量相似度計算
    3.1.2  定性相似度計算
    3.1.3  綜合相似度計算
  3.2  用戶畫像聚類
第4章  用戶畫像管理
  4.1  存儲機制
    4.1.1  關係型數據庫
    4.1.2  NoSQL數據庫
    4.1.3  數據倉庫
  4.2  查詢機制
  4.3  定時更新機制
    4.3.1  獲取實時用戶信息
    4.3.2  更新觸發條件
    4.3.3  更新機制

中篇
第5章  視頻推薦概述
  5.1  主流推薦方法的分類
    5.1.1  協同過濾的推薦方法
    5.1.2  基於內容的推薦方法
    5.1.3  基於知識的推薦方法
    5.1.4  混合推薦方法
  5.2  推薦系統的評測方法
  5.3  視頻推薦與用戶畫像的邏輯關係
第6章  協同過濾推薦方法
  6.1  概述

  6.2  關係矩陣及矩陣計算
    6.2.1  U-U矩陣
    6.2.2  V-V矩陣
    6.2.3  U-V矩陣
  6.3  基於記憶的協同過濾演算法
    6.3.1  基於用戶的協同過濾演算法
    6.3.2  基於物品的協同過濾演算法
  6.4  基於模型的協同過濾演算法
    6.4.1  基於隱因子模型的推薦演算法
    6.4.2  基於樸素貝葉斯分類的推薦演算法
  6.5  小結
  6.6  本章參考文獻
第7章  基於內容的推薦方法
  7.1  概述
  7.2  CB推薦中的特徵向量
    7.2.1  視頻推薦中的物品畫像
    7.2.2  視頻推薦中的用戶畫像
  7.3  基礎CB推薦演算法
  7.4  基於TF-IDF的CB推薦演算法
  7.5  基於KNN的CB推薦演算法
  7.6  基於Rocchio的CB推薦演算法
  7.7  基於決策樹的CB推薦演算法
  7.8  基於線性分類的CB推薦演算法
  7.9  基於樸素貝葉斯的CB推薦演算法
  7.10  小結
  7.11  本章參考文獻
第8章  基於知識的推薦方法
  8.1  概述
  8.2  約束知識與約束推薦演算法
    8.2.1  約束知識示例
    8.2.2  約束滿足問題
    8.2.3  約束推薦演算法流程
  8.3  關聯知識與關聯推薦演算法
    8.3.1  關聯規則描述
    8.3.2  關聯規則挖掘
    8.3.3  關聯推薦演算法流程
  8.4  小結
  8.5  本章參考文獻
第9章  混合推薦方法
  9.1  概述
  9.2  演算法設計層面的混合方法
    9.2.1  並行式混合
    9.2.2  整體式混合
    9.2.3  流水線式混合
    9.2.4  典型混合應用系統
  9.3  混合式視頻推薦實例
    9.3.1  MoRe系統概覽
    9.3.2  MoRe演算法介紹
    9.3.3  MoRe演算法混合
    9.3.4  MoRe實驗分析

  9.4  小結
  9.5  本章參考文獻
第10章  視頻推薦評測
  10.1  概述
  10.2  視頻推薦試驗方法
    10.2.1  在線評測
    10.2.2  離線評測
    10.2.3  用戶調查
  10.3  視頻離線推薦評測指標
    10.3.1  準確度指標
    10.3.2  多樣性指標
  10.4  小結
  10.5  本章參考文獻

下篇
第11章  系統層面的快速推薦構建
  11.1  概述
  11.2  本章主要內容
  11.3  系統部署
    11.3.1  Hadoop2.2.0系統部署
    11.3.2  Hadoop運行時環境設置
    11.3.3  Spark與Mahout部署
  11.4  Mahout推薦引擎介紹
    11.4.1  Item-based演算法
    11.4.2  矩陣分解
    11.4.3  ALS演算法
    11.4.4  Mahout的Spark實現
  11.5  快速實戰
    11.5.1  概述
    11.5.2  日誌數據
    11.5.3  運行環境
    11.5.4  基於Mahout Item-based演算法實踐
    11.5.5  基於Mahout ALS演算法實踐
  11.6  小結
  11.7  本章參考文獻
第12章  數據層面的分析與推薦案例
  12.1  概述
  12.2  本章主要內容
  12.3  競賽內容和意義
    12.3.1  競賽簡介
    12.3.2  競賽任務和意義
  12.4  客戶-商戶數據
    12.4.1  數據描述
    12.4.2  數據理解與分析
  12.5  演算法流程設計
    12.5.1  特徵提取
    12.5.2  分類器設計
    12.5.3  演算法流程總結
  12.6  小結
  12.7  本章參考文獻