Praktyczne systemy rekomendacji

• Kategorie:
  1. Ebooki i Audiobooki »
  2. Ebooki »
  3. Ebooki popularnonaukowe i specjalistyczne »
  4. Informatyka
• Język wydania: polski
• ISBN: 978-83-01-21399-2
• ISBN druku: 978-83-01-21330-5
• Liczba stron: 462

• Sposób dostarczenia produktu elektronicznego
  Produkty elektroniczne takie jak Ebooki czy Audiobooki są udostępniane online po opłaceniu zamówienia kartą lub przelewem na stronie Twoje konto > Biblioteka.

  Pliki można pobrać zazwyczaj w ciągu kilku-kilkunastu minut po uzyskaniu poprawnej autoryzacji płatności, choć w przypadku niektórych publikacji elektronicznych czas oczekiwania może być nieco dłuższy.

  Sprzedaż terytorialna towarów elektronicznych jest regulowana wyłącznie ograniczeniami terytorialnymi licencji konkretnych produktów.
• Ważne informacje techniczne
  Minimalne wymagania sprzętowe:

  procesor: architektura x86 1GHz lub odpowiedniki w pozostałych architekturach

  Pamięć operacyjna: 512MB

  Monitor i karta graficzna: zgodny ze standardem XGA, minimalna rozdzielczość 1024x768 16bit

  Dysk twardy: dowolny obsługujący system operacyjny z minimalnie 100MB wolnego miejsca

  Mysz lub inny manipulator + klawiatura

  Karta sieciowa/modem: umożliwiająca dostęp do sieci Internet z prędkością 512kb/s

  Minimalne wymagania oprogramowania:

  System Operacyjny: System MS Windows 95 i wyżej, Linux z X.ORG, MacOS 9 lub wyżej, najnowsze systemy mobilne: Android, iPhone, SymbianOS, Windows Mobile

  Przeglądarka internetowa: Internet Explorer 7 lub wyżej, Opera 9 i wyżej, FireFox 2 i wyżej, Chrome 1.0 i wyżej, Safari 5

  Przeglądarka z obsługą ciasteczek i włączoną obsługą JavaScript

  Zalecany plugin Flash Player w wersji 10.0 lub wyżej.

  Informacja o formatach plików:

  • PDF - format polecany do czytania na laptopach oraz komputerach stacjonarnych.
  • EPUB - format pliku, który umożliwia czytanie książek elektronicznych na urządzeniach z mniejszymi ekranami (np. e-czytnik lub smartfon), dając możliwość dopasowania tekstu do wielkości urządzenia i preferencji użytkownika.
  • MOBI - format zapisu firmy Mobipocket, który można pobrać na dowolne urządzenie elektroniczne (np.e-czytnik Kindle) z zainstalowanym programem (np. MobiPocket Reader) pozwalającym czytać pliki MOBI.
  • Audiobooki w formacie MP3 - format pliku, przeznaczony do odsłuchu nagrań audio.

  Rodzaje zabezpieczeń plików:

  • Watermark - (znak wodny) to zaszyfrowana informacja o użytkowniku, który zakupił produkt. Dzięki temu łatwo jest zidentyfikować użytkownika, który rozpowszechnił produkt w sposób niezgodny z prawem. Ten rodzaj zabezpieczenia jest zdecydowanie bardziej przyjazny dla użytkownika, ponieważ aby otworzyć książkę zabezpieczoną Watermarkiem nie jest potrzebne konto Adobe ID oraz autoryzacja urządzenia.
  • Brak zabezpieczenia - część oferowanych w naszym sklepie plików nie posiada zabezpieczeń. Zazwyczaj tego typu pliki można pobierać ograniczoną ilość razy, określaną przez dostawcę publikacji elektronicznych. W przypadku zbyt dużej ilości pobrań plików na stronie WWW pojawia się stosowny komunikat.

  Więcej informacji o publikacjach elektronicznych

przedmowa xv
podziękowania xvii
o tej książce xix
o autorze xxii
o okładce xxiii
Część 1. 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