系统开发实战高阳团电子工业出版社9787121365201 软件工具程序设计蔚蓝书店 下载 pdf 百度网盘 epub 免费 2025 电子版 mobi 在线

《推荐系统开发实战》是一本关于推荐系统从入门到进阶的读物，采用“理论+实践”的形式展开，不仅对各种推荐算法进行了介绍，还对算法所涉及的基础理论知识进行了补充。

全书共分为3篇：

第1篇是“推荐系统的背景介绍和入门”，包括走进推荐系统、搭建你的第一个推荐系统和推荐系统常用数据集介绍；

第2篇是“推荐系统涉及的算法介绍、冷启动和效果评估”，包括数据挖掘——让推荐系统更懂你、基于用户行为特征的推荐、基于标签的推荐、基于上下文的推荐、基于点击率预估的推荐、推荐系统中的冷启动和推荐系统中的效果评估；

第3篇是“推荐系统实例”，包括搭建一个新闻推荐系统、搭建一个音乐推荐系统、搭建一个图书推荐系统和业界推荐系统架构介绍。

《推荐系统开发实战》中的实例开发几乎都是基于公开的数据集进行的，当然也涉及一些网络中获取的数据，其最终目的都是让读者能够更好地理解推荐算法，更直观地认识推荐系统。

书中所涉及的数据集和实例代码都会提供给读者，这不仅在一定程度上方便读者学习，而且为以后的工作提供了便利。

《推荐系统开发实战》非常适合有一定编程基础、对推荐系统感兴趣的读者，希望用推荐算法完成设计的高等院校计算机或电子信息专业的学生，准备开设推荐系统实践课的授课老师，学习过Python、希望进一步提升编程水平的开发者，初学数据挖掘、机器学习的算法工程师或数据分析师阅读使用。

系统的背景介绍和入门

章系统 2

1.1 从“啤酒与尿系统的前世今生 2

1.1.1 “啤酒与尿布” 2

1.1系统的前世今生 2

1系统可以做什么 4

1.2.1 系统 4

1.2.2 在电商类产品中的应用 5

1.2.3 在社交类产品中的应用 6

1.2.4 在音乐类产品中的应用 8

1.2.5 在类产品中的应用 9

1.2.6 在阅读类产品中的应用 10

1.2.7 在服务类产品中的应用 11

1.3 学需要的技能 12

1.3.1 Python基础 12

1.3.2 数据结构 14

1.3.3 工程能力 15

1.4 如何学 17

1.5 知识导图 17

第2章 搭建系统 19

2.1 实例1：搭系统 19

2.1.1 利用Netflix数据集准备数据 19

2.1.2 使用Python表示数据 21

2.1.3 选择相似用户 23

2.1.4 相似用户喜欢的电影 24

2.1.5 分析效果 25

2.2结系统的一般步骤 26

2.2.1 准备数据 26

2.2.2 选择算法 27

2.2.3 模型训练 28

2.2.4 效果评估 28

2.3 知识导图 28

第系统常用数据集介绍 29

3.1 MovieLens数据集 29

3.1.1 README 29

3.1.2 ratings.dat 29

3.1.3 movies.dat 31

3.1.4 users.dat 34

3.2 Book-Crossings数据集 36

3.2.1 BX-Book-Ratings.csv 37

3.2.2 BX-Books.csv 39

3.2.3 BX-Users.csv 39

3.3 Last.fm数据集 41

3.3.1 README 41

3.3.2 artists.dat 41

3.3.3 tags.dat 41

3.3.4 user_artists.dat 42

3.3.5 user_friends.dat 42

3.3.6 uses_taggedartists.dat 42

3.3.7 user_taggedartists-timestamps.dat 42

3.4 FourSquare数据集 43

3.4.ers.dat 43

3.4.2 venues.dat 44

3.4.3 checkins.dat 44

3.4.4 sograph.dat 44

3.4.5 ratings.dat 45

3.5 Kaggle比赛之retailrocket 数据集 46

3.5.1 events.csv 47

3.5.2 category_tree.csv 49

3.5.3 item_properties.csv 49

3.6 场景分析 49

3.7 知识导图 50

第系统涉及的算法介绍、冷启动和效果评估

第4章 数据挖掘系统更懂你 52

4.1 数据预处理 52

4.1.1 数据标准化 52

4.1.2 实例2：实现数据的标准化 54

4.1.3 数据离散化 56

4.1.4 实例3：基于信息熵的数据离散化 58

4.1.5 数据抽样 61

4.1.6 数据降维 63

4.1.7 实例4：对鸢尾花数据集特行降维 66

4.1.8 数据清理 68

4.1.9 相似度计算 71

4.2 数据分类 74

4.2.1 K邻算法 74

4.2.2 实例5：利用KNN算法实现别判定 75

4.2.3 决策树算法 77

4.2.4 实例6：构建是否举办活动的决策树 80

4.2.5 朴素贝叶斯算法 84

4.2.6 实例7：基于朴素贝叶斯算行异常账户检测 87

4.2.7 分类器的评估 90

4.2.8 实例8：scikit-learn中的分类效果评估 92

4.3 数据聚类 92

4.3.1 kMeans算法 92

4.3.2 实例9：基于kMeans算行商品价格聚类 95

4.3.3 二分-kMeans算法 98

4.3.4 实例10：基于二分-kMeans算行商品价格聚类 99

4.3.5 聚类算法的评估 100

4.3.6 实例cikit-learn中的聚类效果评估 102

4.4 关联分析 103

4.4.1 Apriori算法 103

4.4.2 实例12：基于Apriori算法实现频繁项集和相关规则挖掘 106

4.5 知识导图 110

第5章 基于用户行为 111

5.1 用户行为分类 111

5.2 基于算法 112

5.2.1 算法原理――从“构造特征”到“判断用户是否喜欢” 112

5.2.2 实例13：对手机属行特征建模 115

5.3 实例14：编写一个基算法系统 117

5.3.1 了解实现思路 117

5.3.2 准备数据 119

5.3.3 选择算法 122

5.3.4 模型训练 122

5.3.5 效果评估 123

5.4 基算法 124

5.4.erCF算法的原理――先“找到相似同户”，再“找到他们喜欢的物品” 124

5.4.2 ItemCF算法的原理――先“找到用户喜欢的物品”，再“找到喜欢物品的相似物品” 131

5.5 实例15：编写一个基于UserCF算法系统 137

5.5.1 了解实现思路 138

5.5.2 准备数据 138

5.5.3 选择算法 138

5.5.4 模型训练 138

5.5.5 效果评估 141

5.6 实例16：编写一个基于ItemCF算法系统 141

5.6.1 了解实现思路 141

5.6.2 准备数据 142

5.6.3 选择算法 142

5.6.4 模型训练 142

5.6.5 效果评估 144

5.7 对比分析：UserCF算法和ItemCF算法 145

5.8 对比分析：基于内容和基邻 146

5.9 基于隐语义算法 147

5.9.1 LFM概述 147

5.9.2 LFM算法理解 148

5.10 实例17：编写一个基于LFM系统 152

5.10.1 了解实现思路 152

5.10.2 准备数据 152

5.10.3 选择算法 154

5.10.4 模型训练 155

5.10.5 效果评估 158

5.11 知识导图 159

第6章 基于 161

6.1 基于标签系统的应用 161

6.1.1 Last.fm 161

6.1.2 Delicious 162

6.1.3 豆瓣 163

6.1.4 网易云音乐 163

6.2 数据标注与关键词提取 165

6.2系统中的数据标注 165

6.2系统中的关键词提取 167

6.2.3 标签的分类 168

6.3 实例18：基于TF-IDF算法提取商品标题的关键词 169

6.3.1 了解TF-IDF算法 169

6.3.2 认识商品标题描述 170

6.3.3 提取关键词 170

6.4 基于系统 174

6.4.1 标签评分算法 174

6.4.2 标签评分算法 176

6.4.3 标签基因 177

6.4.4 用户兴趣建模 177

6.5 实例19：利算法实现艺 178

6.5.1 了解实现思路 178

6.5.2 准备数据 178

6.5.3 选择算法 179

6.5.4 模型训练 179

6.5.5 效果评估 182

6.6 知识导图 182

第7章 基于上 184

7.1 基于时间 184

7.1.1 时间效应介绍 184

7.1.2 时间效应分析 187

7.1系统的实时 194

7.1.4 协同过滤中的时间因子 195

7.2 实例：实现一个“增加时间衰减函数的协同过滤算法” 197

7.2.1 在UserCF算法中增加时间衰减函数 197

7.2.2 在ItemCF算法中增加时间衰减函数 199

7.3 基于地域和热度 0

7.3.1 为什么要将地域和热度特征放在一起 1

7.3.2 解读LARS中的地域特征 2

7.3.3 基于地域和算法 4

7.4 实例21：创建一个基于地域和热度系统 6

7.4.1 了解实现思路 6

7.4.2 准备数据 7

7.4.3 选择算法 7

7.4.4 模型训练 7

7.4.5 效果评估 210

7.5 其他上下文信息 210

7.6 知识导图 210

第8章 基于点击率 212

8.1算法的局限和应用 212

8.1.1算法的局限 212

8.1.2算法的应用 213

8.2 点击率系统中的应用 214

8.3 集成学14

8.3.1 集成学 215

8.3.2 Boosting算法（提升法） 215

8.3.3 Bagging算法（自助法） 216

8.3.4 Sta算法（融合法） 217

8.4 导数、偏导数、方向导数、梯度 217

8.4.1 导数 217

8.4.2 偏导数 217

8.4.3 方向导数 218

8.4.4 梯度 219

8.4.5 梯度下降 219

8.5 GBDT算法 222

8.5.1 Gradient Boosting方法 223

8.5.2 决策树 223

8.5.3 GBDT算法的原理 224

8.6 实例22：基于GBDT算法预估电信客户流失 227

8.6.1 了解实现思路 227

8.6.2 准备数据 229

8.6.3 选择算法 232

8.6.4 模型训练 232

8.6.5 效果评估 234

8.7 回归分析 236

8.7.1 什么是回归分析 236

8.7.2 回归分析算法分类 236

8.8 Logistic Regression算法 237

8.8.1 Sigmoid函数 237

8.8.2 LR为什么要使用Sigmoid函数 239

8.8.3 LR的算法原理分析 240

8.9 实例23：基于LR算法预估电信客户流失 241

8.9.1 准备数据 242

8.9.2 选择算法 242

8.9.3 模型训练 242

8.9.4 效果评估 243

8.10 GBDT+LR的模型融合 245

8.10.1 GBDT+LR模型融合概述 245

8.10.2 为什么选择GBDT和L行模型融合 246

8.10.3 GBDT+LR模型融合的原理 246

8.11 实例24：基于GBDT和LR算法预估电信客户流失 247

8.11.1 准备数据 247

8.11.2 选择算法 247

8.11.3 模型训练 247

8.11.4 效果评估 248

8.12 知识导图 251

第系统中的冷启动 252

9.1 冷启动介绍 252

9.1.1 冷启动的分类 252

9.1.2 冷启动的几种实现方法 252

9.2 基于热实现冷启动 253

9.3 利用用户注册信息实现冷启动 254

9.3.1 注册信息分析 254

9.3.2 实例25：分析Book-Crossings数据集中的共特征 255

9.3.3 实现原理 261

9.4 利用用户上下文信息实现冷启动 261

9.4.1 设备信息特征 262

9.4.2 时间地域信息特征 262

9.4.3 实现原理 262

9.5 利用第三方数据实现冷启动 263

9.6 利用用户和系统之间的交互实现冷启动 263

9.6.1 实现原理 263

9.6系统中实时交互的应用 265

9.6.3 实例26：用户实系统设计 266

9.7 利用物品的内容属实现冷启动 267

9.7.1 物品内容属分析 267

9.7.2 物品信息的使用 268

9.8 利用专家标注数据实现冷启动 269

9.9 知识导图 270

系统中的效果评估 271

10.1 用户调研 271

10.2 在线评估 272

10.3 在线实验方式――ABTest 272

10.3.1 ABTest介绍 272

10.3.2 ABTest流程 272

10.3.3 ABTest的注意事项 273

10.4 在线评估指标 274

10.4.1 点击率 275

10.4.2 转化率 275

10.4.3 网站成交额 275

10.5 离线评估 276

10.6 拆分数据集 276

10.6.1 留出法 277

10.6.2 K-折交叉验证法 277

10.6.3 自助法 277

10.6.4 实例27：使用sklear中的train_test_split()函行数据集拆分 278

10.6.5 实例28：使用sklear中的KFold()函数产生交叉验证数据集 280

10.6.6 实例29：使用sklear中的cross_validate()函数演示交叉验证 281

10.7 离线评估指标 282

10.7.1 度指标之预测分类度指标 282

10.7.2 实例30：使用sklear中的metrics类预测分类度 288

10.7.3 度指标之预测评分度指标 290

10.7.4 实例31：使用sklear中的metrics类预测评分度 290

10.7.5 度指标之预测评分关联指标 291

10.7.6 度指标之排序度指标 292

10.7.7 非度指标 292

10.8 知识导图 296

第系统实例

1章 实例32：搭建一系统 298

11.1 准备数据 298

11.2 预处理数据 298

11.2.1 原始数据加工 298

11.2.2 新闻热度值计算 299

11.2.3 新闻相似度计算 300

11.2.4 指定标签下的新闻统计 302

11.3 设计架构 303

11.4 实现系统 304

11.4.1 准备环境 304

11.4.2 实现后端接口 304

11.4.3 实现前端界面 309

11.4.4 系统演示 309

11.5 代码复现 311

11.5.1 安装依赖 311

11.5.2 数据入库 312

11.5.3 修改配置 312

11.5.4 项目启动 312

11.6 知识导图 312

2章 实例33：搭建一系统 314

12.1 准备数据 314

12.2 预处理数据 314

12.2.1 计算歌曲、歌手、用户相似度 314

12.2.2 计集 315

12.2.3 数据导入数据库 319

12.3 设计架构 321

12.4 实现系统 322

12.4.1 准备环境 322

12.4.2 实现后端接口 322

12.4.3 实现前端界面 324

12.4.4 系统演示 324

12.5 代码复现 327

12.5.1 安装依赖 327

12.5.2 数据入库 327

12.5.3 修改配置 327

12.5.4 项目启动 328

12.6 知识导图 328

3章 实例34：搭建一系统 329

13.1 准备数据 329

13.2 预处理数据 329

13.2.1 原始数据加工 329

13.2.2 数据导入数据库 331

13.2.3 模型准备 331

13.3 设计架构 332

13.4 实现系统 333

13.4.1 准备环境 333

13.4.2 实现后端接口 333

13.4.3 实现前端界面 336

13.4.4 系统演示 336

13.5 代码复现 338

13.6 知识导图 338

4章系统架构介绍 340

14.1 概述 340

14.2 架构介绍 340

14.3 召回内容 342

14.4 计算排序 343

14.4.1 特征工程 343

14.4.2 特征分类 343

14.4.3 排序算法 343

14.5 物品过滤和展示 344

14.5.1 物品过滤 344

14.5.2 物品展示 344

14.6 效果评估 344

14.7 知识导图 345

高阳团，原京东推荐算法工程师。全网唯一ID：Thinkgamer，CSDN博客专家，博客地址为https://blog.csdn.net/ gamer_gyt。一直从事推荐系统相关的研究和开发工作，擅长推荐排序、Spark、深度学习。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：系统开发实战高阳团电子工业出版社9787121365201 软件工具程序设计蔚蓝书店在线阅读

在线听书地址：系统开发实战高阳团电子工业出版社9787121365201 软件工具程序设计蔚蓝书店在线收听

在线购买地址：系统开发实战高阳团电子工业出版社9787121365201 软件工具程序设计蔚蓝书店在线购买

暂无原文赏析，正在全力查找中！

编辑推荐

你为什么要买一本系统的书，你是想*终开发出真正的系统。

你并不是想学原理、算法，这些都是手段而不是目的。

本书可以满足你。

-

本书*终是带你开发出三个真正的系统——新闻系统、音乐系统、图书系统。

真正的系统是高度复杂的，可能用到多种算法、多种语言。

但，这不是我们学路径，也不是把一堆知识乱如团给你的理由。

真正好书应该是可以抽丝剥茧、化繁为简、找到合理颗粒度的能力。

本书努力去做了。

-

本书假定，你只懂Python,可以了。

然后，缺什么我们给你补什么。

只给你紧急而的（因为我们相信我们是给你推开一扇门，后面的留给后面）

-

我们认为：具体的比抽象的更好理解

我们认为：动手做出的是听说的要真实

我们认为：人的认知应该是从具体到抽象，再从抽象到具体。从抽象到抽象都是不负责的。

我们认为：读者是有感悟力的，只是缺少行动的抓手。

所以，我们给你一个又一个实例。

-

小的知识点，有小的实例。

当你可以把这一个个小实例都能做出来了，可以顺利入下一步——构建再大的项目了（这也是刻意练想）

终结的有三个大实例——开发新闻系统、开发音乐系统、开发图书系统。

我们希望本书可以带给你“解剖小麻雀，而知所有鸟类的基本结构”的体验。

希望您可以认真阅读本书的目录，给你一个不一样的学。

;

书籍介绍

《推荐系统开发实战》是一本关于推荐系统从入门到进阶的读物，采用“理论+实践”的形式展开，不仅对各种推荐算法进行了介绍，还对算法所涉及的基础理论知识进行了补充。

全书共分为3篇：

第1篇是“推荐系统的背景介绍和入门”，包括走进推荐系统、搭建你的第一个推荐系统和推荐系统常用数据集介绍；

第2篇是“推荐系统涉及的算法介绍、冷启动和效果评估”，包括数据挖掘——让推荐系统更懂你、基于用户行为特征的推荐、基于标签的推荐、基于上下文的推荐、基于点击率预估的推荐、推荐系统中的冷启动和推荐系统中的效果评估；

第3篇是“推荐系统实例”，包括搭建一个新闻推荐系统、搭建一个音乐推荐系统、搭建一个图书推荐系统和业界推荐系统架构介绍。

《推荐系统开发实战》中的实例开发几乎都是基于公开的数据集进行的，当然也涉及一些网络中获取的数据，其最终目的都是让读者能够更好地理解推荐算法，更直观地认识推荐系统。

书中所涉及的数据集和实例代码都会提供给读者，这不仅在一定程度上方便读者学习，而且为以后的工作提供了便利。

《推荐系统开发实战》非常适合有一定编程基础、对推荐系统感兴趣的读者，希望用推荐算法完成设计的高等院校计算机或电子信息专业的学生，准备开设推荐系统实践课的授课老师，学习过Python、希望进一步提升编程水平的开发者，初学数据挖掘、机器学习的算法工程师或数据分析师阅读使用。