最新查询
内容简介
引子
第一篇 支持高效的运营
第1章 方案设计和技术选型：分类
1.1分类的基本概念
1.2分类任务的处理流程
1.3算法：朴素贝叶斯和K最近邻
1.3.1朴素贝叶斯
1.3.2 K最近邻
1.4分类效果评估
1.5相关软件：R和Mahout
1.5.1 R简介
1.5.2 Mahout简介
1.5.3 Hadoop简介
1.6案例实践
1.6.1实验环境设置
1.6.2中文分词
1.6.3使用R进行朴素贝叶斯分类
1.6.4使用R进行K最近邻分类
1.6.5单机环境使用Mahout运行朴素贝叶斯分类
1.6.6多机环境使用Mahout运行朴素贝叶斯分类
1.7更多的思考
第2章 方案设计和技术选型：聚类
2.1聚类的基本概念
2.2算法：K均值和层次型聚类
2.2.1 K均值聚类
2.2.2层次型聚类
2.3聚类的效果评估
2.4案例实践
2.4.1使用R进行K均值聚类
2.4.2使用Mahout进行K均值聚类
第3章 方案设计和技术选型：因变量连续的回归分析
3.1线性回归的基本概念
3.2案例实践
3.2.1实验环境设置
3.2.2 R中数据的标准化
3.2.3使用R的线性回归分析
第二篇 为顾客发现喜欢的商品：基础篇
第4章 方案设计和技术选型：搜索
4.1搜索引擎的基本概念
4.1.1相关性
4.1.2及时性
4.2搜索引擎的评估
4.3为什么不是数据库
4.4系统框架
4.4.1离线预处理
4.4.2在线查询
4.5常见的搜索引擎实现
4.5.1 Lucene简介
4.5.2 Solr简介
4.5.3 Elasticsearch简介
4.6案例实践
4.6.1实验环境设置
4.6.2基于Solr的实现
4.6.3基于Elasticsearch的实现
4.6.4统一的搜索API
第三篇 为顾客发现喜欢的商品：高级篇
第5章 方案设计和技术选型：NoSQL和搜索的整合
5.1问题分析
5.2 HBase简介
5.3结合HBase和搜索引擎
5.4案例实践
5.4.1实验环境设置
5.4.2 HBase的部署
5.4.3 HBase和搜索引擎的集成
第6章 方案设计和技术选型：查询分类和搜索的整合
6.1问题分析
6.2结合分类器和搜索引擎
6.3案例实践
6.3.1实验环境设置
6.3.2构建查询分类器
6.3.3定制化的搜索排序
6.3.4整合查询分类和定制化排序
第7章 方案设计和技术选型：个性化搜索
7.1问题分析
7.2结合用户画像和搜索引擎
7.3案例实践
7.3.1用户画像的读取
7.3.2个性化搜索引擎
7.3.3结果对比
第8章 方案设计和技术选型：搜索分片
8.1问题分析
8.2利用搜索的分片机制
8.3案例实践
8.3.1 Solr路由的实现
8.3.2 Elasticsearch路由的实现
第9章 方案设计和技术选型：搜索提示
9.1问题分析
9.2案例实践：基础方案
9.2.1 Solr搜索建议和拼写纠错的实现
9.2.2 Elasticsearch搜索建议和拼写纠错的实现
9.3改进方案
9.4案例实践：改进方案
第10章 方案设计和技术选型：推荐
10.1推荐系统的基本概念
10.2推荐的核心要素
10.2.1系统角色
10.2.2相似度
10.2.3相似度传播框架
10.3推荐系统的分类
10.4混合模型
10.5系统架构
10.6 Mahout中的推荐算法
10.7电商常见的推荐系统方案
10.7.1电商常见的推荐系统方案
10.7.2相似度的计算
10.7.3协同过滤
10.7.4结果的查询
10.8案例实践
10.8.1基于内容特征的推荐
10.8.2基于行为特征的推荐
第四篇 获取数据，跟踪效果
第11章 方案设计和技术选型：行为跟踪
11.1基本概念
11.1.1网站的核心框架
11.1.2行为数据的类型
11.1.3行为数据的模式
11.1.4设计理念
11.2使用谷歌分析
11.3自行设计之Flume、 HDFS和Hive的整合
11.3.1数据的收集——Flume简介
11.3.2数据的存储——H adoopHDFS回顾
11.3.3批量数据分析——Hive简介
11.3.4 Flume、 HDFS和Hive的整合方案
11.4自行设计之Flume、 Kafka和Storm的整合
11.4.1实时性数据分析之Kafka简介
11.4.2实时性数据分析之Storm简介
11.4.3 Flume、Kafka和Storm的整合方案
11.5案例实践
11.5.1数据模式的设计
11.5.2实验环境设置
11.5.3谷歌分析实战
11.5.4自主设计实战之Flume、HDFS和Hive的整合
11.5.5自主设计实战之Flume、Kafka和Storm的整合
11.6更多的思考
后记
