大數據架構和算法實現之路：電商系統的技術實戰

推薦序
前言
引子

第一篇 支持高效的運營
第1章方案設計和技術選型：分類
1.1分類的基本概念
1.2分類任務的處理流程
1.3算法：朴素貝葉斯和K最近鄰
1.3.1朴素貝葉斯
1.3.2K最近鄰
1.4分類效果評估
1.5相關軟件：R和Mahout
1.5.1R簡介
1.5.2Mahout簡介
1.5.3Hadoop簡介
1.6案例實踐
1.6.1實驗環境設置
1.6.2中文分詞
1.6.3使用R進行朴素貝葉斯分類
1.6.4使用R進行K最近鄰分類
1.6.5單機環境使用Mahout運行朴素貝葉斯分類
1.6.6多機環境使用Mahout運行朴素貝葉斯分類
1.7更多的思考
第2章方案設計和技術選型：聚類
2.1聚類的基本概念
2.2算法：K均值和層次型聚類
2.2.1K均值聚類
2.2.2層次型聚類
2.3聚類的效果評估
2.4案例實踐
2.4.1使用R進行K均值聚類
2.4.2使用Mahout進行K均值聚類
第3章方案設計和技術選型：因變量連續的回歸分析
3.1線性回歸的基本概念
3.2案例實踐
3.2.1實驗環境設置
3.2.2R中數據的標准化
3.2.3使用R的線性回歸分析

第二篇 為顧客發現喜歡的商品：基礎篇
第4章方案設計和技術選型：搜索
4.1搜索引擎的基本概念
4.1.1相關性
4.1.2及時性
4.2搜索引擎的評估
4.3為什麼不是數據庫
4.4系統框架
4.4.1離線預處理
4.4.2在線查詢
4.5常見的搜索引擎實現
4.5.1Lucene簡介
4.5.2Solr簡介
4.5.3Elasticsearch簡介
4.6案例實踐
4.6.1實驗環境設置
4.6.2基於Solr的實現
4.6.3基於Elasticsearch的實現
4.6.4統一的搜索API

第三篇 為顧客發現喜歡的商品：高級篇
第5章方案設計和技術選型：NoSQL和搜索的整合
5.1問題分析
5.2HBase簡介
5.3結合HBase和搜索引擎
5.4案例實踐
5.4.1實驗環境設置
5.4.2HBase的部署
5.4.3HBase和搜索引擎的集成
第6章方案設計和技術選型：查詢分類和搜索的整合
6.1問題分析
6.2結合分類器和搜索引擎
6.3案例實踐
6.3.1實驗環境設置
6.3.2構建查詢分類器
6.3.3定制化的搜索排序
6.3.4整合查詢分類和定制化排序
第7章方案設計和技術選型：個性化搜索
7.1問題分析
7.2結合用戶畫像和搜索引擎
7.3案例實踐
7.3.1用戶畫像的讀取
7.3.2個性化搜索引擎
7.3.3結果對比
第8章方案設計和技術選型：搜索分片
8.1問題分析
8.2利用搜索的分片機制
8.3案例實踐
8.3.1Solr路由的實現
8.3.2Elasticsearch路由的實現
第9章方案設計和技術選型：搜索提示
9.1問題分析
9.2案例實踐：基礎方案
9.2.1Solr搜索建議和拼寫糾錯的實現
9.2.2Elasticsearch搜索建議和拼寫糾錯的實現
9.3改進方案
9.4案例實踐：改進方案
第10章方案設計和技術選型：推薦
10.1推薦系統的基本概念
10.2推薦的核心要素
10.2.1系統角色
10.2.2相似度
10.2.3相似度傳播框架
10.3推薦系統的分類
10.4混合模型
10.5系統架構
10.6Mahout中的推薦算法
10.7電商常見的推薦系統方案
10.7.1電商常見的推薦系統方案
10.7.2相似度的計算
10.7.3協同過濾
10.7.4結果的查詢
10.8案例實踐
10.8.1基於內容特征的推薦
10.8.2基於行為特征的推薦

第四篇 獲取數據，跟蹤效果
第11章方案設計和技術選型：行為跟蹤
11.1基本概念
11.1.1網站的核心框架
11.1.2行為數據的類型
11.1.3行為數據的模式
11.1.4設計理念
11.2使用谷歌分析
11.3自行設計之Flume、HDFS和Hive的整合
11.3.1數據的收集——Flume簡介
11.3.2數據的存儲——HadoopHDFS回顧
11.3.3批量數據分析——Hive簡介
11.3.4Flume、HDFS和Hive的整合方案
11.4自行設計之Flume、Kafka和Storm的整合
11.4.1實時性數據分析之Kafka簡介
11.4.2實時性數據分析之Storm簡介
11.4.3Flume、Kafka和Storm的整合方案
11.5案例實踐
11.5.1數據模式的設計
11.5.2實驗環境設置
11.5.3谷歌分析實戰
11.5.4自主設計實戰之Flume、HDFS和Hive的整合
11.5.5自主設計實戰之Flume、Kafka和Storm的整合
11.6更多的思考
后記