سامانه‌های پیشنهادگر کاربردی ۲۰۱۹
Practical Recommender Systems 2019

سیستم‌های توصیه‌گر آنلاین به کاربران کمک می‌کنند تا فیلم‌ها، مشاغل، رستوران‌ها – و حتی عشق را پیدا کنند! ترکیب آمار، اطلاعات جمعیتی و عبارات جستجو برای دستیابی به نتایجی که کاربران را خوشحال کند، یک هنر است. یاد بگیرید که چگونه یک سیستم توصیه‌گر را به روش صحیح بسازید: این کار می‌تواند باعث موفقیت یا شکست برنامه‌ی شما شود!

با خرید نسخه‌ی چاپی کتاب، نسخه‌ی الکترونیکی رایگان آن را در قالب‌های PDF، Kindle و ePub از انتشارات Manning دریافت خواهید کرد.

درباره‌ی فناوری

سیستم‌های توصیه‌گر همه‌جا هستند و به شما کمک می‌کنند تا هر چیزی را از فیلم گرفته تا شغل، از رستوران گرفته تا بیمارستان و حتی عشق پیدا کنید. این سیستم‌ها با استفاده از داده‌های رفتاری و جمعیتی، پیش‌بینی می‌کنند که کاربران در یک زمان خاص به چه چیزی بیشتر علاقه‌مند خواهند بود و در نتیجه، پیشنهادهای شخصی‌سازی‌شده، مرتب‌شده و با کیفیت بالا ارائه می‌دهند. سیستم‌های توصیه‌گر عملاً برای به‌روز نگه داشتن محتوای سایت، مفید بودن و جذاب بودن آن برای بازدیدکنندگان، یک ضرورت هستند.

درباره‌ی کتاب

سیستم‌های توصیه‌گر کاربردی نحوه‌ی کار سیستم‌های توصیه‌گر را توضیح می‌دهد و نشان می‌دهد که چگونه آن‌ها را برای سایت خود ایجاد و پیاده‌سازی کنید. پس از پوشش مبانی، خواهید دید که چگونه داده‌های کاربر را جمع‌آوری کرده و توصیه‌های شخصی‌سازی‌شده تولید کنید. شما یاد خواهید گرفت که چگونه از محبوب‌ترین الگوریتم‌های توصیه استفاده کنید و نمونه‌هایی از عملکرد آن‌ها را در سایت‌هایی مانند آمازون و نتفلیکس مشاهده خواهید کرد. در نهایت، کتاب به مسائل مقیاس‌پذیری و سایر مسائلی که با رشد سایت خود با آن‌ها مواجه خواهید شد، می‌پردازد.

آنچه در این کتاب می‌خوانید

* نحوه جمع آوری و درک رفتار کاربر
* فیلترسازی مشارکتی و مبتنی بر محتوا
* الگوریتم های یادگیری ماشین
* مثال‌های واقعی در پایتون

درباره‌ی خواننده

خوانندگان به مهارت‌های متوسط برنامه‌نویسی و پایگاه داده نیاز دارند.

درباره‌ی نویسنده

کیم فالک یک دانشمند داده باتجربه است که روزانه با یادگیری ماشین و سیستم‌های توصیه‌گر کار می‌کند.

فهرست مطالب

بخش 1 – آماده شدن برای سیستم‌های توصیه‌گر
1. سیستم توصیه‌گر چیست؟
2. رفتار کاربر و نحوه جمع آوری آن
3. نظارت بر سیستم
4. امتیازها و نحوه محاسبه آن‌ها
5. توصیه‌های غیرشخصی‌سازی‌شده
6. کاربری (و محتوایی) که از ناکجاآباد آمده است

بخش 2 – الگوریتم‌های توصیه‌گر
7. یافتن شباهت‌ها بین کاربران و بین محتوا
8. فیلترسازی مشارکتی در همسایگی
9. ارزیابی و آزمایش توصیه‌گر خود
10. فیلترسازی مبتنی بر محتوا
11. یافتن ژانرهای پنهان با تجزیه ماتریس
12. استفاده از بهترین الگوریتم‌ها: پیاده‌سازی توصیه‌گرهای ترکیبی
13. رتبه‌بندی و یادگیری رتبه‌بندی
14. آینده سیستم‌های توصیه‌گر

Online recommender systems help users find movies, jobs, restaurants-even romance! There’s an art in combining statistics, demographics, and query terms to achieve results that will delight them. Learn to build a recommender system the right way: it can make or break your application!

Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications.

About the Technology

Recommender systems are everywhere, helping you find everything from movies to jobs, restaurants to hospitals, even romance. Using behavioral and demographic data, these systems make predictions about what users will be most interested in at a particular time, resulting in high-quality, ordered, personalized suggestions. Recommender systems are practically a necessity for keeping your site content current, useful, and interesting to your visitors.

About the Book

Practical Recommender Systems explains how recommender systems work and shows how to create and apply them for your site. After covering the basics, you’ll see how to collect user data and produce personalized recommendations. You’ll learn how to use the most popular recommendation algorithms and see examples of them in action on sites like Amazon and Netflix. Finally, the book covers scaling problems and other issues you’ll encounter as your site grows.

What’s inside

• How to collect and understand user behavior
• Collaborative and content-based filtering
• Machine learning algorithms
• Real-world examples in Python

About the Reader

Readers need intermediate programming and database skills.

About the Author

Kim Falk is an experienced data scientist who works daily with machine learning and recommender systems.

Table of Contents

PART 1 – GETTING READY FOR RECOMMENDER SYSTEMS
1. What is a recommender?
2. User behavior and how to collect it
3. Monitoring the system
4. Ratings and how to calculate them
5. Non-personalized recommendations
6. The user (and content) who came in from the cold

PART 2 – RECOMMENDER ALGORITHMS

7. Finding similarities among users and among content
8. Collaborative filtering in the neighborhood
9. Evaluating and testing your recommender
10. Content-based filtering
11. Finding hidden genres with matrix factorization
12. Taking the best of all algorithms: implementing hybrid recommenders
13. Ranking and learning to rank
14. Future of recommender systems