Praktyczne systemy rekomendacji, AZ#CF1790BDEB/DL-ebwm/epub

Tytuł poręczne systemy rekomendacji Autor Kim Falk Język polski Wydawnictwo Wydawnictwo Naukowe PWN ISBN 978-83-01-21399-2 Rok wydania 2020 Wydanie 1 ilość stron 462 Format epub, mobi Spis treści 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 oglądania 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 informacji użytkowników z innych źródeł 48 2.5. Moduł zbierający informacje 49 Budowanie plików projektu 50 Model informacji 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 korzystnym 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 informacji 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 albo 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 lubiane części posiadają obszerniejszą 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 wytwarzać 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 rozpoczynających 119 niejednokrotnie 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 stosowanie przeróżnych 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 przy pomocy algorytmów 143 używanie reguł asocjacyjnych do tworzenia rekomendacji dla zimnych użytkowników 143 Korzystanie ze znajomości domeny i zasad biznesowych 145 Korzystanie z segmentów 146 użytkowanie kategorii do obejścia problemu szarych owiec i jak wprowadzać zimny towar 147 6.4. Ci, którzy nie pytają, nie będą wiedzieć 149 Kiedy internauci nie jest już nowy 150 6.5. Wykorzystanie reguł asocjacyjnych do szybkiego pokazujenia rekomendacji 151 Znajdowanie zgromadzonych komponentów 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 oczyszczana 195 Wzajemna pomoc 196 Macierz ocen 198 Potok wspólnej filtracji 199 Czy należy używać wspólnej filtracji użytkownik-użytkownik czy element-element? 199 wymogi dotyczące informacji 200 8.2. Obliczanie rekomendacji 201 8.3. Obliczanie podobieństw 202 8.4. Algorytm Amazona do wstępnego obliczania podobieństwa składników 202 8.5. Sposoby wybierania sąsiedztwa 207 8.6. Znajdowanie właściwego sąsiedztwa 209 8.7. Sposoby obliczania przewidywanych ocen 209 8.8. Przewidywanie z odfiltrowaniem opartym na elementach 211 Obliczanie przewidywań części 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 oczyszczanie 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 dostatek 232 Pokrycie 233 Szczęśliwy zbieg okoliczności 236 9.5. Przed wdrożeniem systemu rekomendacji... 236 Zweryfikuj algorytm 236 Testowanie regresyjne 237 9.6. Warianty 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 trafnych 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. Odfiltrowanie oparte na treści 267 10.1. Przykład opisowy 268 10.2. Przefiltrowanie oparte na treści 271 10.3. Analizator zawartości 272 Wychwytywanie cech dla profilu przedmiotu 272 informacje kategoryczne z niewiele znaczącymi ilośćmi 275 Przekształcanie roku na porównywalne atrybuty 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,dopasować LDA? 289 10.7. Znajdowanie podobnych treści 292 10.8. Tworzenie profilu użytkownika 293 Tworzenie profilu użytkownika przy pomocy LDA 293 Tworzenie profilu użytkownika za pomocą TF-IDF 293 10.9. Rekomendacje oparte na treści na witrynie MovieGEEKs 295 Pobieranie informacji 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. Atuty i wady filtrowania opartego na treści 304 11. Znajdowanie ukrytych gatunków za pomocą faktoryzacji macierzy 306 11.1. Czasami poprawnie jest zredukować liczba 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 wytwarzać rekomendacje przy pomocy 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. Informacje jawne kontra niejawne 350 11.9. Ewaluacja 350 11.10. Dźwignie do majstrowania dla Funk SVD 353 12. Branie tego co najlepsze ze wszelkich algorytmów: implementacja hybrydowych silników rekomendacji 355 12.1. Zagmatwany świat hybryd 357 12.2. Monolityczny 357 mieszanie cech opartych na treści z danymi behawioralnymi, by 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 progresywna) 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 dobór dobrej architektury 422 14.3. Jaka jest przyszłość systemów rekomendacji? 423 14.4. Końcowe przemyślenia 427 indeks 429