?__eol__====第1篇 推荐系统的背景介绍和入门__eol__∣__eol__第1章 走进推荐系统 2__eol__1.1 从“啤酒与尿布”到推荐系统的前世今生 2__eol__∣1.1.1 “啤酒与尿布” 2__eol__∣1.1.2 推荐系统的前世今生 2__eol__1.2 推荐系统可以做什么 4__eol__∣1.2.1 什么是推荐系统 4__eol__∣1.2.2 在电商类产品中的应用 5__eol__∣1.2.3 在社交类产品中的应用 6__eol__∣1.2.4 在音乐类产品中的应用 8__eol__∣1.2.5 在视频类产品中的应用 9__eol__∣1.2.6 在阅读类产品中的应用 10__eol__∣1.2.7 在服务类产品中的应用 11__eol__1.3 学习本书需要的技能 12__eol__∣1.3.1 Python基础 12__eol__∣1.3.2 数据结构 14__eol__∣1.3.3 工程能力 15__eol__1.4 如何学习本书 17__eol__1.5 知识导图 17__eol__第2章 搭建你的第一个推荐系统 19__eol__2.1 实例1：搭建电影推荐系统 19__eol__∣2.1.1 利用Netflix数据集准备数据 19__eol__∣2.1.2 使用Python表示数据 21__eol__∣2.1.3 选择相似用户 23__eol__∣2.1.4 为用户推荐相似用户喜欢的电影 24__eol__∣2.1.5 分析效果 25__eol__2.2 总结：搭建推荐系统的一般步骤 26__eol__∣2.2.1 准备数据 26__eol__∣2.2.2 选择算法 27__eol__∣2.2.3 模型训练 28__eol__∣2.2.4 效果评估 28__eol__2.3 知识导图 28__eol__第3章 推荐系统常用数据集介绍 29__eol__3.1 MovieLens数据集 29__eol__∣3.1.1 README 29__eol__∣3.1.2 ratings.dat 29__eol__∣3.1.3 movies.dat 31__eol__∣3.1.4 users.dat 34__eol__3.2 Book-Crossings数据集 36__eol__∣3.2.1 BX-Book-Ratings.csv 37__eol__∣3.2.2 BX-Books.csv 39__eol__∣3.2.3 BX-Users.csv 39__eol__3.3 Last.fm数据集 41__eol__∣3.3.1 README 41__eol__∣3.3.2 artists.dat 41__eol__∣3.3.3 tags.dat 41__eol__∣3.3.4 user_artists.dat 42__eol__∣3.3.5 user_friends.dat 42__eol__∣3.3.6 uses_taggedartists.dat 42__eol__∣3.3.7 user_taggedartists-timestamps.dat 42__eol__3.4 FourSquare数据集 43__eol__∣3.4.1 users.dat 43__eol__∣3.4.2 venues.dat 44__eol__∣3.4.3 checkins.dat 44__eol__∣3.4.4 socialgraph.dat 44__eol__∣3.4.5 ratings.dat 45__eol__3.5 Kaggle比赛之retailrocket 数据集 46__eol__∣3.5.1 events.csv 47__eol__∣3.5.2 category_tree.csv 49__eol__∣3.5.3 item_properties.csv 49__eol__3.6 场景分析 49__eol__3.7 知识导图 50__eol__∣__eol__===第2篇 推荐系统涉及的算法介绍、冷启动和效果评估__eol__∣__eol__第4章 数据挖掘——让推荐系统更懂你 52__eol__4.1 数据预处理 52__eol__∣4.1.1 数据标准化 52__eol__∣4.1.2 实例2：实现数据的标准化 54__eol__∣4.1.3 数据离散化 56__eol__∣4.1.4 实例3：基于信息熵的数据离散化 58__eol__∣4.1.5 数据抽样 61__eol__∣4.1.6 数据降维 63__eol__∣4.1.7 实例4：对鸢尾花数据集特征进行降维 66__eol__∣4.1.8 数据清理 68__eol__∣4.1.9 相似度计算 71__eol__4.2 数据分类 74__eol__∣4.2.1 K最近邻算法 74__eol__∣4.2.2 实例5：利用KNN算法实现性别判定 75__eol__∣4.2.3 决策树算法 77__eol__∣4.2.4 实例6：构建是否举办活动的决策树 80__eol__∣4.2.5 朴素贝叶斯算法 84__eol__∣4.2.6 实例7：基于朴素贝叶斯算法进行异常账户检测 87__eol__∣4.2.7 分类器的评估 90__eol__∣4.2.8 实例8：scikit-learn中的分类效果评估 92__eol__4.3 数据聚类 92__eol__∣4.3.1 kMeans算法 92__eol__∣4.3.2 实例9：基于kMeans算法进行商品价格聚类 95__eol__∣4.3.3 二分-kMeans算法 98__eol__∣4.3.4 实例10：基于二分-kMeans算法进行商品价格聚类 99__eol__∣4.3.5 聚类算法的评估 100__eol__∣4.3.6 实例11：scikit-learn中的聚类效果评估 102__eol__4.4 关联分析 103__eol__∣4.4.1 Apriori算法 103__eol__∣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__eol__4.5 知识导图 110__eol__∣__eol__第5章 基于用户行为特征的推荐 111__eol__5.1 用户行为分类 111__eol__5.2 基于内容的推荐算法 112__eol__∣5.2.1 算法原理——从“构造特征”到“判断用户是否喜欢” 112__eol__∣5.2.2 实例13：对手机属性进行特征建模 115__eol__5.3 实例14：编写一个基于内容推荐算法的电影推荐系统 117__eol__∣5.3.1 了解实现思路 117__eol__∣5.3.2 准备数据 119__eol__∣5.3.3 选择算法 122__eol__∣5.3.4 模型训练 122__eol__∣5.3.5 效果评估 123__eol__5.4 基于近邻的推荐算法 124__eol__∣5.4.1 UserCF算法的原理——先“找到相似同户”，再“找到他们喜欢的物品” 124__eol__∣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__eol__5.5 实例15：编写一个基于UserCF算法的电影推荐系统 137__eol__∣5.5.1 了解实现思路 138__eol__∣5.5.2 准备数据 138__eol__∣5.5.3 选择算法 138__eol__∣5.5.4 模型训练 138__eol__∣5.5.5 效果评估 141__eol__5.6 实例16：编写一个基于ItemCF算法的电影推荐系统 141__eol__∣5.6.1 了解实现思路 141__eol__∣5.6.2 准备数据 142__eol__∣5.6.3 选择算法 142__eol__∣5.6.4 模型训练 142__eol__∣5.6.5 效果评估 144__eol__5.7 对比分析：UserCF算法和ItemCF算法 145__eol__5.8 对比分析：基于内容和基于近邻 146__eol__5.9 基于隐语义模型的推荐算法 147__eol__∣5.9.1 LFM概述 147__eol__∣5.9.2 LFM算法理解 148__eol__∣5.10 实例17：编写一个基于LFM的电影推荐系统 152__eol__∣5.10.1 了解实现思路 152__eol__∣5.10.2 准备数据 152__eol__∣5.10.3 选择算法 154__eol__∣5.10.4 模型训练 155__eol__∣5.10.5 效果评估