基于大数据推荐引擎教程.ppt

行为建模、行为序列分析 AUC、F-measure、准确率、召回率 算法评测 用户浏览行为与用户浏览兴趣用户的来源地区、来路域名和页面；用户在网站的停留时间、跳出率、回访者、新访问者、回访次数、回访相隔天数； 注册用户和非注册用户，分析两者之间的浏览习惯；用户所使用的有哪些信誉好的足球投注网站引擎、关键词、关联关键词和站内关键字； 用户选择什么样的入口形式（广告或者网站入口链接）更为有效；用户访问网站流程，用来分析页面结构设计是否合理；用户在页面上的网页热点图分布数据和网页覆盖图数据；用户在不同时段的访问量情况等： 用户是否对于网站的字体颜色的喜好程度。 用户浏览行为与用户浏览兴趣 基于个人历史行为的概率序列模型马尔可夫模型或最大熵模型基于网络结构的条件随机模型条件随机场模型基于主题模型的行为预测主题模型LDA和扩展模型DTM基于随机模型的用户群体行为建模、基于智能体的用户群体行为建模与预测 用户个体行为建模和预测 长文本挖掘、短文本挖掘 文本挖掘 标签画像模型算法 Slope One 线性模型 Pagerank 图计算 BP、GA 时序模型 GradientDescent 梯度下降 k-means、canopy EM(Expectation-Maximization） 吉布斯（Gibbs Sampling） 模糊聚类、狄利克雷 聚类 TF-IDF 特征提取转换 决策树、扑素贝叶斯 向量支持向量机SVMs MLR（softmaxRegreesion） 二元分类SvmWithSGD LogisticRegression WithSGD、RFGBDT、逻辑回归、线性回归 分类与回归 推荐引擎模型算法 历史矩阵、共生矩阵、标识符矩阵 相似度推荐 Context-Aware 情景感知推荐 ALS 隐性反馈 ALS 显性反馈 K-neighborhoods、User-CF、Item-CF 相似度算法 加权的混合、切换的混合、分区的混合、分层的混合 混合的推荐机制 基于效用推荐 基于知识推荐 Apriori、AprioriTid、DHP、FP-tree 基于关联规则推荐 Random Walk、pLSA、SVD、SVD++ 基于模型推荐 Simarnk 基于协同过滤推荐 user-base?CF（冷启动、热启动） 基于用户推荐 item—base?CF（冷启动、热启动） 基于物品推荐 常用算法 模型 Spark推荐引擎 Mahout算法模型 扩展了java的Collections类 Collections 集合方法扩展 隐马尔科夫模型 Hidden Markov Models 非Map-Reduce算法 计算向量间距离 VectorDistanceJob 计算列间相似度 RowSimilarityJob 向量相似度计算 ItemCF Distributed Recommenders Taste(UserCF, ItemCF, SlopeOne） Non-distributed recommenders 推荐/协同过滤 ? 并行化了Watchmaker框架 进化算法 高斯判别分析 Gaussian Discriminative Analysis 独立成分分析 Independent Component Analysis 主成分分析 Principal Components Analysis 奇异值分解 Singular Value Decomposition 降维/维约简 局部加权线性回归 Locally Weighted Linear Regression 回归 并行FP Growth算法 Parallel FP Growth Algorithm 关联规则挖掘 谱聚类 Spectral Clustering LDA聚类 Latent Dirichlet Allocation 狄里克雷过程聚类 Dirichlet Process Clustering 层次聚类 Hierarchical Clustering 均值漂移聚类 Mean Shift Clustering EM聚类（期望最大化聚类） Expectation Maximization 模糊K均值 Fuzzy K-means K均值算法 K-means Clustering Canopy聚类 Canopy Clustering 聚类算法 有限波尔兹曼机 Restricted Boltzmann Machines 随机森林 Random Forests 神经网络 Neural Network 感知器算法 Perceptron 支持向量机 SVM 贝叶斯 Bayesian 逻辑回归 Logistic Regression 分类算法 中文名 算法名 算法类 SPARK对算法模型