Praktyczne systemy rekomendacji

Kim Falk

Uzyskaj dostęp

Zakup książkę

ISBN/ISSN:

978-83-01-21399-2

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2020

Liczba stron:

464

XML:ISBN/ISSN:

ONIX MARC21

Bibliografia:

Falk, Kim. Praktyczne systemy rekomendacji. Red. . : Wydawnictwo Naukowe PWN, 2020, 464 s. ISBN 978-83-01-21399-2

Bibliografia refWorks:

RT Book, Whole

SR Electronic(1)

A1 Falk, K.

T1 Praktyczne systemy rekomendacji

PB Wydawnictwo Naukowe PWN

YR 2020

SN 978-83-01-21399-2

Bibliografia BibTex:

@Book{ 230443, author = "Falk, Kim", editor = "", title = "Praktyczne systemy rekomendacji", publisher = "Wydawnictwo Naukowe PWN", year = "2020", address = "", isbn = "978-83-01-21399-2" }

Bibliografia endNote:

TY - BOOK

AU - Falk, Kim

ED -

TI - Praktyczne systemy rekomendacji

PB - Wydawnictwo Naukowe PWN

CY -

PY - 2020

SN - 978-83-01-21399-2

ER -

Netografia (standard APA):

Falk, Kim. Praktyczne systemy rekomendacji [baza danych online] : Wydawnictwo Naukowe PWN, 2020 [dostęp: 03 07 2024]. Dostęp w Ibuk Libra: https://libra.ibuk.pl/reader/praktyczne-systemy-rekomendacji-kim-falk-230443.

system rekomendacji, spersonalizowane rekomendacje, algorytmy systemów rekomendacji

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 inf...

Więcej

ISBN/ISSN:

978-83-01-21399-2

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2020

Liczba stron:

464

XML:ISBN/ISSN:

ONIX MARC21

przedmowa16
podziękowania18
o tej książce20
o autorze23
o okładce24
Część 1. Przygotowanie do systemów rekomendacji26
1. Co to jest system rekomendacji?28
1.1. Rekomendacje z życia wzięte29
Systemy rekomendacji pasują do Internetu30
Długi ogon31
System rekomendacji Netfliksa31
Definicja systemu rekomendacji38
1.2. Taksonomia systemów rekomendacji40
Cel41
Domena41
Kontekst42
Poziom personalizacji42
Czyje opinie43
Prywatność i wiarygodność44
Interfejs45
Algorytmy47
1.3. Uczenie maszynowe i nagroda Netfliksa49
1.4. Witryna MovieGEEKs50
Projekt i specyfikacja51
Architektura52
1.5. Budowanie systemu rekomendacji54
2. Zachowanie użytkowników i jak zbierać o tym dane56
2.1. Jak (według mnie) Netflix zbiera dowody podczas przeglądania57
Dowody, które zbiera Netflix59
2.2. Znajdowanie przydatnych zachowań użytkowników61
Czego można się dowiedzieć od osoby rozglądającej się po sklepie62
Przechwytywanie wrażeń odwiedzających62
Akt zakupu67
Konsumpcja produktów68
Oceny odwiedzających69
2.3. Identyfikowanie użytkowników72
Poznawanie swoich klientów (starym) sposobem Netfiksa72
2.4. Uzyskiwanie danych odwiedzających z innych źródeł73
2.5. Moduł zbierający dane74
Budowanie plików projektu75
Model danych75
Snitch: moduł zbierający dowody po stronie klienta76
Integrowanie modułu z MovieGEEKs78
2.6. Czym są użytkownicy w systemie i jak ich modelować80
3. Monitorowanie systemu84
3.1. Dlaczego dodanie pulpitu nawigacyjnego jest dobrym pomysłem85
Odpowiadanie na pytanie „jak nam idzie?”85
3.2. Obliczanie statystyk87
Analityka internetowa87
Podstawowe statystyki88
Konwersje89
Analizowanie ścieżki do konwersji92
Ścieżka konwersji94
3.3. Persony96
3.4. Pulpit nawigacyjny MovieGEEKs99
Automatyczne generowanie danych w dzienniku99
Analityczny pulpit nawigacyjny – szkielet projektu100
Specyfikacja i projektowanie pulpitu nawigacyjnego100
Architektura101
4. Oceny i jak je obliczać105
4.1. Preferencje użytkownik-przedmiot106
Definicja ratingu106
Macierz użytkownik-przedmiot107
4.2. Jawne lub niejawne oceny109
Jak wykorzystujemy zaufane źródła do rekomendacji110
4.3. Ponowne odwiedzanie ocen jawnych111
4.4. Czym są oceny niejawne?111
Rekomendowanie osób113
Uwagi dotyczące obliczania ocen113
4.5. Obliczanie ocen niejawnych116
Spojrzenie na dane behawioralne117
To można uznać za problem uczenia maszynowego121
4.6. Jak zaimplementować oceny niejawne122
Dodawanie aspektu czasu126
4.7. Mniej popularne elementy mają większą wartość128
5. Niespersonalizowane rekomendacje132
5.1. Co to są niespersonalizowane rekomendacje?133
Co to jest reklama?133
5.2. Jak tworzyć rekomendacje, gdy nie masz danych135
Co robi rekomendacja?135
Top 10: lista najpopularniejszych przedmiotów137
5.3. Implementacja listy najpopularniejszych pozycji i podstawy dla komponentu systemu rekomendacji139
Komponent systemu rekomendacji139
Kod MovieGEEKs z GitHub140
System rekomendacji140
Dodawanie listy najpopularniejszych pozycji do Movie-GEEKs141
Uatrakcyjnienie wyglądu treści142
5.4. Rekomendacje oparte na wartościach inicjujących144
Często kupowane przedmioty podobne do oglądanych145
Reguły asocjacyjne146
Implementowanie reguł asocjacyjnych151
Zapisywanie reguł asocjacyjnych w bazie danych156
Uruchamianie kalkulatora reguł asocjacyjnych157
Używanie różnych zdarzeń do tworzenia reguł asocjacyjnych159
6. Użytkownik (i treści), który przyszedł z zimna161
6.1. Co to jest zimny start?162
Zimne produkty163
Zimny gość164
Spójrzmy na przykłady z życia wzięte165
Szare owce165
6.2. Śledzenie odwiedzających167
Co możesz zrobić z zimnym startem?167
Uparcie anonimowi użytkownicy167
6.3. Rozwiązywanie problemów z zimnym startem za pomocą algorytmów168
Używanie reguł asocjacyjnych do tworzenia rekomendacji dla zimnych użytkowników168
Korzystanie ze znajomości domeny i zasad biznesowych170
Korzystanie z segmentów171
Wykorzystywanie kategorii do obejścia problemu szarych owiec i jak wprowadzać zimny produkt172
6.4. Ci, którzy nie pytają, nie będą wiedzieć174
Kiedy odwiedzający nie jest już nowy175
6.5. Wykorzystanie reguł asocjacyjnych do szybkiego przedstawiania rekomendacji176
Wydobywanie reguł asocjacyjnych i porządkowanie ich według ufności177
Znajdowanie zebranych elementów177
Wyświetlanie rekomendacji178
Ocena implementacji181
Część 2. A lgorytmy systemów rekomendacji182
7. Znajdowanie podobieństw wśród użytkowników i wśród treści 184
7.1. Dlaczego podobieństwo?186
Czym jest funkcja podobieństwa?186
7.2. Podstawowe funkcje podobieństwa187
Indeks Jaccarda188
Pomiar odległości z normami Lp190
Podobieństwo kosinusowe193
Znajdowanie podobieństwa za pomocą współczynnika korelacji liniowej Pearsona196
Testowanie podobieństwa Pearsona197
Korelacja liniowa jest podobna do kosinusowej199
7.3. Klastrowanie metodą k-średnich200
Algorytmy klastrowania metodą k-średnich200
Przekładanie algorytmu klasowania metodą k-średnich na Pythona203
7.4. Implementacja podobieństw208
Implementacja podobieństwa w witrynie MovieGEEKs210
Implementacja klastrowania w witrynie MovieGEEKs213
8. Wspólna filtracja w sąsiedztwie218
8.1. Wspólna filtracja: lekcja historii220
Kiedy informacja stała się wspólnie przefiltrowana220
Wzajemna pomoc 196 Macierz ocen223
Czy należy używać wspólnej filtracji użytkownik-użytkownik czy element-element?224
Potok wspólnej filtracji224
Wymagania dotyczące danych225
8.2. Obliczanie rekomendacji226
8.3. Obliczanie podobieństw227
8.4. Algorytm Amazona do wstępnego obliczania podobieństwa elementów227
8.5. Sposoby wybierania sąsiedztwa232
8.6. Znajdowanie właściwego sąsiedztwa234
8.7. Sposoby obliczania przewidywanych ocen234
8.8. Przewidywanie z filtrowaniem opartym na elementach236
Obliczanie przewidywań elementów237
8.10. Kilka słów o pojęciach w uczeniu maszynowym238
8.9. Problemy z zimnym startem238
8.11. Wspólna filtracja na stronie MovieGEEKs240
Filtrowanie oparte na elementach241
8.12. Jaka jest różnica między rekomendacjami z reguł asocjacyjnych a rekomendacjami opartymi na wspólnej filtracji248
8.13. Dźwignie do majstrowania przy wspólnej filtracji248
8.14. Plusy i minusy wspólnej filtracji250
9. Ewaluacja i testowanie systemu rekomendacji252
9.1. Biznes chce wzrostów, sprzedaży krzyżowej, sprzedaży droższych towarów i konwersji253
9.2. Dlaczego ewaluacja jest ważna?254
9.3. Jak interpretować zachowanie użytkowników255
9.4. Co należy mierzyć255
Różnorodność257
Rozumienie mojego gustu: minimalizowanie błędów przewidywania257
Pokrycie258
9.5. Przed wdrożeniem systemu rekomendacji261
Szczęśliwy zbieg okoliczności261
Zweryfikuj algorytm261
Testowanie regresyjne262
9.6. Rodzaje ewaluacji263
9.7. Ewaluacja offline264
9.8. Eksperymenty offline265
Co zrobić, kiedy algorytm nie przedstawia żadnych rekomendacji265
Przygotowywanie danych do eksperymentów271
9.9. Implementacja eksperymentu na witrynie MovieGEEKs278
Lista rzeczy do zrobienia278
9.10. Ewaluacja zbioru testowego282
Rozpoczynanie od predyktora bazowego283
Znajdowanie odpowiednich parametrów285
9.11. Ewaluacja online287
Eksperyment kontrolowany287
Testy A/B287
9.12. Testowanie ciągłe z eksploatacją/eksploracją289
Pętle informacji zwrotnych290
10. Filtrowanie oparte na treści292
10.1. Przykład opisowy293
10.2. Filtrowanie oparte na treści296
10.3. Analizator zawartości297
Wychwytywanie cech dla profilu przedmiotu297
Dane kategoryczne z małymi liczbami300
Przekształcanie roku na porównywalne cechy300
10.4. Wydobywanie metadanych z opisów301
Przygotowywanie opisów301
10.5. Znajdowanie ważnych słów za pomocą TF-IDF305
10.6. Modelowanie tematów przy użyciu LDA307
Jakie gałki możesz pokręcić, aby dostosować LDA?314
10.7. Znajdowanie podobnych treści317
10.8. Tworzenie profilu użytkownika318
Tworzenie profilu użytkownika za pomocą LDA318
Tworzenie profilu użytkownika za pomocą TF-IDF318
10.9. Rekomendacje oparte na treści na witrynie MovieGEEKs320
Pobieranie danych320
Uczenie modelu323
Tworzenie profili elementów324
Tworzenie profili użytkowników324
Pokazywanie rekomendacji326
10.10. Ocena systemu rekomendacji opartego na treści327
10.11. Zalety i wady filtrowania opartego na treści329
11. Znajdowanie ukrytych gatunków za pomocą faktoryzacji macierzy 331
11.1. Czasami dobrze jest zredukować ilość danych332
11.2. Przykład tego, co chcesz rozwiązać334
11.3. Powiew algebry liniowej337
Macierz337
Co to jest faktoryzacja?340
11.4. Tworzenie faktoryzacji za pomocą SVD341
Dodawanie nowego użytkownika metodą folding-in347
Jak tworzyć rekomendacje za pomocą SVD349
Predyktory bazowe350
Dynamika czasowa352
11.5. Budowanie faktoryzacji za pomocą Funk SVD353
Średnia kwadratowa błędu353
Metoda gradientu prostego354
Stochastyczne zejście wzdłuż gradientu357
Wreszcie zabieramy się za faktoryzację358
Dodawanie odchyleń359
Jak zacząć i kiedy przestać360
11.6. Budowanie rekomendacji przy użyciu Funk SVD365
11.7. Implementacja Funk SVD na witrynie MovieGEEKs367
Co zrobić z odstającymi wartościami373
11.8. Dane jawne kontra niejawne375
11.9. Ewaluacja375
Aktualizowanie modelu375
Szybsza implementacja375
11.10. Dźwignie do majstrowania dla Funk SVD378
12. Branie tego co najlepsze ze wszystkich algorytmów: implementacja hybrydowych silników rekomendacji 380
12.1. Zagmatwany świat hybryd382
12.2. Monolityczny382
Mieszanie cech opartych na treści z danymi behawioralnymi, aby usprawnić system rekomendacji wspólnej filtracji383
12.3. Mieszany hybrydowy system rekomendacji384
12.4. Algorytmy złożone385
Przełączany system rekomendacji387
Ważony system rekomendacji388
Regresja liniowa389
12.5. Liniowe łączenie modeli ważone cechami (FWLS)390
Meta-cechy: wagi jako funkcje390
Algorytm392
12.6. Implementacja400
13. Rangowanie i nauka rangowania 410
13.1. Nauka rangowania na przykładzie Foursquare411
13.2. Rangowanie ze zmianą kolejności416
13.3. Czym jest nauka rangowania ze zmianą kolejności?417
Trzy typy algorytmów LTR417
13.4. Bayesowskie rangowanie spersonalizowane (BPR)419
Rangowanie z BPR421
Sztuczki matematyczne (magia zaawansowana)423
Algorytm BPR426
13.5. Implementacja BPR427
BPR z faktoryzacją macierzy427
Tworzenie rekomendacji433
13.6. Ewaluacja435
13.7. Dźwignie do majstrowania przy BPR438
14. Przyszłość systemów rekomendacji440
14.1. Ta książka w kilku zdaniach441
14.2. Tematy do dalszej nauki445
Dalsza lektura445
Algorytmy446
Interakcje człowiek-komputer446
Kontekst446
Wybór dobrej architektury447
14.3. Jaka jest przyszłość systemów rekomendacji?448
14.4. Końcowe przemyślenia452
indeks454

Rekomendacjezżyciawzięte

Wzmacnianie(boosting)tosposób,abyﬁrmaprzeważyławyniknaswojąkorzyść,gdy

obliczanesąsugestie,aNetﬂixchce,bymzauważył„Wgarniturach”,ponieważjestto

nowatreść,cooznacza,żemaatutświeżości.Netﬂixwzmacniazawartośćnapodsta-

wieświeżości;świeżośćmożeoznaczać,żezawartośćjestnowalubzostaławspomniana

waktualnościach.Boostingjestomówionybardziejszczegółowowrozdziale6,ponie-

ważjesttocoś,ocowieluwłaścicieliwitrynprosi,jaktylkosystemzostajeuruchomiony.

UWAGA

IstniejerodzinaalgorytmówuczeniamaszynowegoonazwieBoosting,

aletutajmamnamyślicośinnego4.

POŁĄCZENIEZMEDIAMISPOŁECZNOŚCIOWYMI

PrzezkrótkiokresNetﬂixpróbowałrównieżkorzystaćzdanychzmediówspołeczno-

ściowych5.WtamtychczasachmożnabyłozobaczyćnastronieNetﬂiksacoś,copoka-

zanonarysunku1.6.

Rysunek1.6.Netﬂixchcewiedzieć,cooglądająmoiznajomi

SerwisNetﬂixzachęcałwidzówdowłączeniaFacebookConnect,cotymsamym

dawałoNetﬂiksowidostępdolistyznajomych,atakżeinnychinformacji.Jednązkorzy-

ścidlaNetﬂiksabyłoto,żeudałomusięznaleźćtwoichznajomychiprzygotowaćspo-

łecznościowerekomendacjewoparciuoto,coonilubili.PołączeniezFacebookiem

sprawiałorównież,żeoglądanieﬁlmówmogłoowielebardziejstaćsięprzeżyciem

społecznym,ajesttocoś,cobadawieleﬁrmmedialnych.

Wdzisiejszychczasachludzieniesiadają,abyoglądaćﬁlmywsposóbpasywny.Robią

wielerzeczynarazpodczasoglądaniaﬁlmu,siedzązdrugimurządzeniem(takimjak

tabletlubsmartfon).To,corobisznadrugimurządzeniu,możemiećdużywpływna

to,cooglądaszdalej.Wyobraźsobie,żepoobejrzeniuczegośnaNetﬂiksiepojawisię

powiadomieniewtelefonie,żejedenztwoichznajomychpolubiłjakiśﬁlmi–czary

mary–Netﬂixrekomendujegojakonastępnąrzeczdoobejrzenia.

Abyuzyskaćwięcejinformacji,zobaczhttps://en.wikipedia.org/wiki/Boosting_%28machine_learning%29.

GettoknowNetﬂixanditsNewFacebookIntegration,http://mng.bz/6yHM.

Brak wyników

Praktyczne systemy rekomendacji

Treść książki

Znajdź bibliotekę blisko siebie, i uzyskaj dostęp do ebooka w systemie IBUK Libra