一、用户画像描述：
1.1 用户画像数据来源
1.2 用户画像特性 diyige t
1.3 用户画像应用领域
1.4 大数据给用户画像带来的机遇与挑战

二、用户画像建模
2.1 用户定量画像
2.2 用户定性画像

三、群体用户画像分析
3.1 用户画像相似度
3.2 用户画像聚类

四、用户画像管理
4.1 存储机制
4.2 查询机制
4.3 定时更新机制

五、视频推荐概述
5.1 主流推荐方法的分类
5.2 推荐系统的评测方法
5.3 视频推荐与用户画像的逻辑关系

六、协同过滤推荐方法
6.2 关系矩阵及矩阵计算
6.3 基于记忆的协同过滤算法
6.4 基于模型的协同过滤算法

七、基于内容的推荐方法
7.2 CB推荐中的特征向量
7.3 基础CB推荐算法
7.4 基于TF-IDF的CB推荐算法
7.5 基于KNN的CB推荐算法
7.6 基于Rocchio的CB推荐算法
7.7 基于决策树的CB推荐算法
7.8 基于线性分类的CB推荐算法
7.9 基于朴素贝叶斯的CB推荐算法

八、基于知识的推荐方法
8.2 约束知识与约束推荐算法
8.3 关联知识与关联推荐算法

九、混合推荐方法
9.2 算法设计层面的混合方法
9.3 混合式视频推荐实例

十、视频推荐评测
10.2 视频推荐试验方法
10.3 视频离线推荐评测指标

十一、系统层面的快速推荐构建
11.3 系统部署
11.3.1 Hadoop2.2.0系统部署
11.3.2 Hadoop运行时环境设置
11.3.3 Spark与Mahout部署
11.4 Mahout推荐引擎介绍
11.5 快速实战