Praktyczne systemy rekomendacji

1 opinia

Autor:

Kim Falk

Format:

epub, mobi, ibuk

DODAJ DO ABONAMENTU

WYBIERZ RODZAJ DOSTĘPU

89,25  119,00

Format: epub, mobi

 

Dostęp online przez myIBUK

WYBIERZ DŁUGOŚĆ DOSTĘPU

6,15

Wypożycz na 24h i opłać sms-em.
Brak wydruku.

89,25119,00

cena zawiera podatek VAT

ZAPŁAĆ SMS-EM

TA KSIĄŻKA JEST W ABONAMENCIE

Już od 19,90 zł miesięcznie za 5 ebooków!

WYBIERZ SWÓJ ABONAMENT

Książka Praktyczne systemy rekomendacji wyjaśnia sposób działania systemów rekomendacji. Czytelnik dowie się z niej także, jak takie systemy tworzyć i stosować w swoim oprogramowaniu. Autorzy omawiają to zagadnienie, zaczynając od podstawowych informacji, po czym przechodzą do takich kwestii jak zbieranie danych użytkownika czy generowanie spersonalizowanych rekomendacji. Kolejno przedstawiane są również porady dotyczące tego, jak używać najpopularniejszych algorytmów rekomendacyjnych, na przykładach takich stron jak Amazon czy Netflix. Publikacja kończy się omówieniem zagadnień skalowania i innych problemów, które mogą się pojawić, w trakcie rozbudowy systemu rekomendacji.
Publikacja jest przeznaczona dla programistów na poziomie średniozaawansowanym, posiadających wiedzę z zakresu baz danych.


Liczba stron462
WydawcaWydawnictwo Naukowe PWN
ISBN-13978-83-01-21399-2
Numer wydania1
Język publikacjipolski
Informacja o sprzedawcyePWN sp. z o.o.

Ciekawe propozycje

Spis treści

  przedmowa xv
  podziękowania xvii
  o tej książce xix
  o autorze xxii
  o okładce xxiii
  Część. Przygotowanie do systemów rekomendacji    1
  1. Co to jest system rekomendacji?    3
    1.1. Rekomendacje z życia wzięte    4
      Systemy rekomendacji pasują do Internetu    5
      Długi ogon    6
      System rekomendacji Netfliksa    6
      Definicja systemu rekomendacji    13
    1.2. Taksonomia systemów rekomendacji    15
      Domena    16
      Cel    16
      Kontekst    17
      Poziom personalizacji    17
      Czyje opinie    18
      Prywatność i wiarygodność    19
      Interfejs    20
      Algorytmy    22
    1.3. Uczenie maszynowe i nagroda Netfliksa    24
    1.4. Witryna MovieGEEKs    25
      Projekt i specyfikacja    26
      Architektura    27
    1.5. Budowanie systemu rekomendacji    29
  2. Zachowanie użytkowników i jak zbierać o tym dane    31
    2.1. Jak (według mnie) Netflix zbiera dowody podczas przeglądania    32
      Dowody, które zbiera Netflix    34
    2.2. Znajdowanie przydatnych zachowań użytkowników    36
      Przechwytywanie wrażeń odwiedzających    37
      Czego można się dowiedzieć od osoby rozglądającej się po sklepie    37
      Akt zakupu    42
      Konsumpcja produktów    43
      Oceny odwiedzających    44
      Poznawanie swoich klientów (starym) sposobem Netfiksa    47
    2.3. Identyfikowanie użytkowników    47
    2.4. Uzyskiwanie danych odwiedzających z innych źródeł    48
    2.5. Moduł zbierający dane    49
      Budowanie plików projektu    50
      Model danych    50
      Snitch: moduł zbierający dowody po stronie klienta    51
      Integrowanie modułu z MovieGEEKs    53
    2.6. Czym są użytkownicy w systemie i jak ich modelować    55
  3. Monitorowanie systemu    59
    3.1. Dlaczego dodanie pulpitu nawigacyjnego jest dobrym pomysłem    60
      Odpowiadanie na pytanie „jak nam idzie?”    60
    3.2. Obliczanie statystyk    62
      Analityka internetowa    62
      Podstawowe statystyki    63
      Konwersje    64
      Analizowanie ścieżki do konwersji    67
      Ścieżka konwersji    69
    3.3. Persony    71
    3.4. Pulpit nawigacyjny MovieGEEKs    74
      Automatyczne generowanie danych w dzienniku    74
      Specyfikacja i projektowanie pulpitu nawigacyjnego    75
      Analityczny pulpit nawigacyjny – szkielet projektu    75
      Architektura    76
  4. Oceny i jak je obliczać    80
    4.1. Preferencje użytkownik-przedmiot    81
      Definicja ratingu    81
      Macierz użytkownik-przedmiot    82
    4.2. Jawne lub niejawne oceny    84
      Jak wykorzystujemy zaufane źródła do rekomendacji    85
    4.3. Ponowne odwiedzanie ocen jawnych    86
    4.4. Czym są oceny niejawne?    86
      Rekomendowanie osób    88
      Uwagi dotyczące obliczania ocen    88
    4.5. Obliczanie ocen niejawnych    91
      Spojrzenie na dane behawioralne    92
      To można uznać za problem uczenia maszynowego    96
    4.6. Jak zaimplementować oceny niejawne    97
      Dodawanie aspektu czasu    101
    4.7. Mniej popularne elementy mają większą wartość    103
  5. Niespersonalizowane rekomendacje    107
    5.1. Co to są niespersonalizowane rekomendacje?    108
      Co to jest reklama?    108
      Co robi rekomendacja?    110
    5.2. Jak tworzyć rekomendacje, gdy nie masz danych    110
      Top 10: lista najpopularniejszych przedmiotów    112
    5.3. Implementacja listy najpopularniejszych pozycji i podstawy dla komponentu systemu rekomendacji    114
      Komponent systemu rekomendacji    114
      Kod MovieGEEKs z GitHub    115
      System rekomendacji    115
      Dodawanie listy najpopularniejszych pozycji do Movie-GEEKs    116
      Uatrakcyjnienie wyglądu treści    117
    5.4. Rekomendacje oparte na wartościach inicjujących    119
      Często kupowane przedmioty podobne do oglądanych    120
      Reguły asocjacyjne    121
      Implementowanie reguł asocjacyjnych    126
      Zapisywanie reguł asocjacyjnych w bazie danych    131
      Uruchamianie kalkulatora reguł asocjacyjnych    132
      Używanie różnych zdarzeń do tworzenia reguł asocjacyjnych    134
  6. Użytkownik (i treści), który przyszedł z zimna    136
    6.1. Co to jest zimny start?    137
      Zimne produkty    138
      Zimny gość    139
      Szare owce    140
      Spójrzmy na przykłady z życia wzięte    140
      Co możesz zrobić z zimnym startem?    142
    6.2. Śledzenie odwiedzających    142
      Uparcie anonimowi użytkownicy    142
    6.3. Rozwiązywanie problemów z zimnym startem za pomocą algorytmów    143
      Używanie reguł asocjacyjnych do tworzenia rekomendacji dla zimnych użytkowników    143
      Korzystanie ze znajomości domeny i zasad biznesowych    145
      Korzystanie z segmentów    146
      Wykorzystywanie kategorii do obejścia problemu szarych owiec i jak wprowadzać zimny produkt    147
    6.4. Ci, którzy nie pytają, nie będą wiedzieć    149
      Kiedy odwiedzający nie jest już nowy    150
    6.5. Wykorzystanie reguł asocjacyjnych do szybkiego przedstawiania rekomendacji    151
      Znajdowanie zebranych elementów    152
      Wydobywanie reguł asocjacyjnych i porządkowanie ich według ufności    152
      Wyświetlanie rekomendacji    153
      Ocena implementacji    156
  Część 2. A lgorytmy systemów rekomendacji    157
  7. Znajdowanie podobieństw wśród użytkowników i wśród treści 159
    7.1. Dlaczego podobieństwo?    161
      Czym jest funkcja podobieństwa?    161
    7.2. Podstawowe funkcje podobieństwa    162
      Indeks Jaccarda    163
      Pomiar odległości z normami Lp    165
      Podobieństwo kosinusowe    168
      Znajdowanie podobieństwa za pomocą współczynnika korelacji liniowej Pearsona    171
      Testowanie podobieństwa Pearsona    172
      Korelacja liniowa jest podobna do kosinusowej    174
    7.3. Klastrowanie metodą k-średnich    175
      Algorytmy klastrowania metodą k-średnich    175
      Przekładanie algorytmu klasowania metodą k-średnich na Pythona    178
    7.4. Implementacja podobieństw    183
      Implementacja podobieństwa w witrynie MovieGEEKs    185
      Implementacja klastrowania w witrynie MovieGEEKs    188
  8. Wspólna filtracja w sąsiedztwie    193
    8.1. Wspólna filtracja: lekcja historii    195
      Kiedy informacja stała się wspólnie przefiltrowana    195
      Wzajemna pomoc 196 Macierz ocen    198
      Potok wspólnej filtracji    199
      Czy należy używać wspólnej filtracji użytkownik-użytkownik czy element-element?    199
      Wymagania dotyczące danych    200
    8.2. Obliczanie rekomendacji    201
    8.3. Obliczanie podobieństw    202
    8.4. Algorytm Amazona do wstępnego obliczania podobieństwa elementów    202
    8.5. Sposoby wybierania sąsiedztwa    207
    8.6. Znajdowanie właściwego sąsiedztwa    209
    8.7. Sposoby obliczania przewidywanych ocen    209
    8.8. Przewidywanie z filtrowaniem opartym na elementach    211
      Obliczanie przewidywań elementów    212
    8.9. Problemy z zimnym startem    213
    8.10. Kilka słów o pojęciach w uczeniu maszynowym    213
    8.11. Wspólna filtracja na stronie MovieGEEKs    215
      Filtrowanie oparte na elementach    216
    8.12. Jaka jest różnica między rekomendacjami z reguł asocjacyjnych a rekomendacjami opartymi na wspólnej filtracji    223
    8.13. Dźwignie do majstrowania przy wspólnej filtracji    223
    8.14. Plusy i minusy wspólnej filtracji    225
  9. Ewaluacja i testowanie systemu rekomendacji    227
    9.1. Biznes chce wzrostów, sprzedaży krzyżowej, sprzedaży droższych towarów i konwersji    228
    9.2. Dlaczego ewaluacja jest ważna?    229
    9.3. Jak interpretować zachowanie użytkowników    230
    9.4. Co należy mierzyć    230
      Rozumienie mojego gustu: minimalizowanie błędów przewidywania    232
      Różnorodność    232
      Pokrycie    233
      Szczęśliwy zbieg okoliczności    236
    9.5. Przed wdrożeniem systemu rekomendacji...    236
      Zweryfikuj algorytm    236
      Testowanie regresyjne    237
    9.6. Rodzaje ewaluacji    238
    9.7. Ewaluacja offline    239
      Co zrobić, kiedy algorytm nie przedstawia żadnych rekomendacji    240
    9.8. Eksperymenty offline    240
      Przygotowywanie danych do eksperymentów    246
    9.9. Implementacja eksperymentu na witrynie MovieGEEKs    253
      Lista rzeczy do zrobienia    253
    9.10. Ewaluacja zbioru testowego    257
      Rozpoczynanie od predyktora bazowego    258
      Znajdowanie odpowiednich parametrów    260
    9.11. Ewaluacja online    262
      Eksperyment kontrolowany    262
      Testy A/B    262
    9.12. Testowanie ciągłe z eksploatacją/eksploracją    264
      Pętle informacji zwrotnych    265
  10. Filtrowanie oparte na treści    267
    10.1. Przykład opisowy    268
    10.2. Filtrowanie oparte na treści    271
    10.3. Analizator zawartości    272
      Wychwytywanie cech dla profilu przedmiotu    272
      Dane kategoryczne z małymi liczbami    275
      Przekształcanie roku na porównywalne cechy    275
    10.4. Wydobywanie metadanych z opisów    276
      Przygotowywanie opisów    276
    10.5. Znajdowanie ważnych słów za pomocą TF-IDF    280
    10.6. Modelowanie tematów przy użyciu LDA    282
      Jakie gałki możesz pokręcić, aby dostosować LDA?    289
    10.7. Znajdowanie podobnych treści    292
    10.8. Tworzenie profilu użytkownika    293
      Tworzenie profilu użytkownika za pomocą LDA    293
      Tworzenie profilu użytkownika za pomocą TF-IDF    293
    10.9. Rekomendacje oparte na treści na witrynie MovieGEEKs    295
      Pobieranie danych    295
      Uczenie modelu    298
      Tworzenie profili elementów    299
      Tworzenie profili użytkowników    299
      Pokazywanie rekomendacji    301
    10.10. Ocena systemu rekomendacji opartego na treści    302
    10.11. Zalety i wady filtrowania opartego na treści    304
  11. Znajdowanie ukrytych gatunków za pomocą faktoryzacji macierzy 306
    11.1. Czasami dobrze jest zredukować ilość danych    307
    11.2. Przykład tego, co chcesz rozwiązać    309
    11.3. Powiew algebry liniowej    312
      Macierz    312
      Co to jest faktoryzacja?    315
    11.4. Tworzenie faktoryzacji za pomocą SVD    316
      Dodawanie nowego użytkownika metodą folding-in    322
      Jak tworzyć rekomendacje za pomocą SVD    324
      Predyktory bazowe    325
      Dynamika czasowa    327
    11.5. Budowanie faktoryzacji za pomocą Funk SVD    328
      Średnia kwadratowa błędu    328
      Metoda gradientu prostego    329
      Stochastyczne zejście wzdłuż gradientu    332
      Wreszcie zabieramy się za faktoryzację    333
      Dodawanie odchyleń    334
      Jak zacząć i kiedy przestać    335
    11.6. Budowanie rekomendacji przy użyciu Funk SVD    340
    11.7. Implementacja Funk SVD na witrynie MovieGEEKs    342
      Co zrobić z odstającymi wartościami    348
      Aktualizowanie modelu    350
      Szybsza implementacja    350
    11.8. Dane jawne kontra niejawne    350
    11.9. Ewaluacja    350
    11.10. Dźwignie do majstrowania dla Funk SVD    353
  12. Branie tego co najlepsze ze wszystkich algorytmów: implementacja hybrydowych silników rekomendacji 355
    12.1. Zagmatwany świat hybryd    357
    12.2. Monolityczny    357
      Mieszanie cech opartych na treści z danymi behawioralnymi, aby usprawnić system rekomendacji wspólnej filtracji    358
    12.3. Mieszany hybrydowy system rekomendacji    359
    12.4. Algorytmy złożone    360
      Przełączany system rekomendacji    362
      Ważony system rekomendacji    363
      Regresja liniowa    364
    12.5. Liniowe łączenie modeli ważone cechami (FWLS)    365
      Meta-cechy: wagi jako funkcje    365
      Algorytm    367
    12.6. Implementacja    375
  13. Rangowanie i nauka rangowania 385
    13.1. Nauka rangowania na przykładzie Foursquare    386
    13.2. Rangowanie ze zmianą kolejności    391
    13.3. Czym jest nauka rangowania ze zmianą kolejności?    392
      Trzy typy algorytmów LTR    392
    13.4. Bayesowskie rangowanie spersonalizowane (BPR)    394
      Rangowanie z BPR    396
      Sztuczki matematyczne (magia zaawansowana)    398
      Algorytm BPR    401
      BPR z faktoryzacją macierzy    402
    13.5. Implementacja BPR    402
      Tworzenie rekomendacji    408
    13.6. Ewaluacja    410
    13.7. Dźwignie do majstrowania przy BPR    413
  14. Przyszłość systemów rekomendacji    415
    14.1. Ta książka w kilku zdaniach    416
    14.2. Tematy do dalszej nauki    420
      Dalsza lektura    420
      Algorytmy    421
      Kontekst    421
      Interakcje człowiek-komputer    421
      Wybór dobrej architektury    422
    14.3. Jaka jest przyszłość systemów rekomendacji?    423
    14.4. Końcowe przemyślenia    427
  indeks    429
RozwińZwiń
W celu zapewnienia wysokiej jakości świadczonych przez nas usług, nasz portal internetowy wykorzystuje informacje przechowywane w przeglądarce internetowej w formie tzw. „cookies”. Poruszając się po naszej stronie internetowej wyrażasz zgodę na wykorzystywanie przez nas „cookies”. Informacje o przechowywaniu „cookies”, warunkach ich przechowywania i uzyskiwania dostępu do nich znajdują się w Regulaminie.

Nie pokazuj więcej tego powiadomienia