基於Web挖掘的個性化信息推薦（簡體書）

基於Web挖掘的個性化信息推薦是解決當前互聯網“信息過載”問題的重要手段之一。本書在繼承國內外相關研究成果的基礎上，建立了基於Web挖掘的個性化信息推薦模型，并構建了語法層次、語義層次和語用層次的個性化信息推薦方法體系。然后，從語法層次的角度，利用Web使用挖掘方法研究了Web用戶偏好分析與推薦問題，并借鑒復雜網絡中的社團結構劃分方法，提出了基於網絡書簽的個性化信息推薦方法；從語義層次的角度，提出了基於Web文本挖掘的推薦規則獲取與匹配方法，分析了基於Web領域本體的個性化信息推薦方法，研究了基於社會化標簽的Web用戶興趣建模方法；從語用層次的角度，利用用戶反饋和貝葉斯網絡理論討論了Web用戶效用函數的構建方法。 本書內容豐富、應用性強，可供信息管理、計算機應用等領域從事相關研究的專家學者、工程技術人員及高等院校相關專業教師、研究生參考使用。

總序
序
前言
第1章 緒論
1.1 本書研究背景
1.2 本書研究目的與意義
1.2.1 本書研究目的
1.2.2 本書研究意義
1.3 國內外研究現狀
1.3.1 Web挖掘研究現狀
1.3.2 個性化信息推薦研究現狀
1.4 本書研究內容與方法
1.4.1 本書研究內容
1.4.2 本書的研究方法
第2章 研究對象及問題界定
2.1 數據挖掘與Web挖掘
2.1.1 數據挖掘
2.1.2 Web挖掘
2.2 個性化與個性化信息推薦
2.2.1 個性化相關概念
2.2.2 個性化信息推薦
2.3 基於Web挖掘的個性化信息推薦流程
2.3.1 數據輸入
2.3.2 數據預處理
2.3.3 模式分析
2.3.4 在線推薦
第3章 基於Web挖掘的個性化信息推薦機理
3.1 全信息理論與信息過程模型
3.1.1 全信息理論
3.1.2 信息過程模型
3.2 基於全信息的“點擊流”信息運動過程模型
3.2.1 “點擊流”的含義
3.2.2 “點擊流”信息的層次
3.2.3 “點擊流”信息運動過程模型
3.3 “點擊流”信息運動視角的個性化信息推薦模型
3.3.1 “點擊流”信息獲取——捕獲Web用戶點擊行為
3.3.2 “點擊流”信息認知——提取Web用戶點擊行為模式
3.3.3 “點擊流”信息再生——產生個性化信息推薦策略
3.3.4 “點擊流”信息施效——實施個性化信息推薦策略
3.4 基於Web挖掘的個性化信息推薦的方法體系
3.4.1 語法層次的個性化信息推薦方法
3.4.2 語義層次的個性化信息推薦方法
3.4.3 語用層次的個性化信息推薦方法
第4章 語法層次的Web用戶偏好分析與推薦
4.1 語法層次的Web用戶偏好分析與推薦框架
4.2 Web交易事務集的提取
4.2.1 數據過濾
4.2.2 用戶識別
4.2.3 會話識別
4.2.4 路徑補充
4.3 基於Web交易事務聚類的Web用戶偏好分析
4.3.1 交易事務的表示
4.3.2 交易事務聚類
4.3.3 導出Web使用文檔
4.3.4 生成Web用戶偏好頁面集
4.4 基於頻繁Web頁面集的Web用戶偏好視圖
4.4.1 提取頻繁Web頁面集
4.4.2 生成Web用戶偏好視圖
第5章 基於網絡書簽的個性化信息推薦方法
5.1 Web 2.0與網絡書簽
5.1.1 Web 2.0概述
5.1.2 網絡書簽概述
5.2 基於網絡書簽的社團結構劃分
5.2.1 社團結構的定義
5.2.2 網絡書簽系統模型
5.2.3 基於CPM算法的社團結構劃分
5.2.4 實驗分析
5.3 網絡書簽系統中基於社團結構的個性化信息推薦
5.3.1 社團內基於協作過濾的個性化信息推薦
5.3.2 社團間基於“信息橋”的個性化信息推薦
5.3.3 實驗分析
第6章 語義層次的基於Web文本挖掘的推薦規則獲取與匹配
6.1 基於Web文本挖掘的推薦規則獲取與匹配模型
6.2 基於向量空間模型的Web文本表示
6.2.1 Web頁面的凈化
6.2.2 Web文本特徵粒度的選擇
6.2.3 Web文本特徵的提取
6.2.4 Web文本特徵的選擇
6.3 基於Web特徵詞條聚類的文本挖掘
6.3.1 交易事務的特徵詞條表示
6.3.2 基於特徵詞條的交易事務聚類
6.3.3 導出Web文本文檔
6.3.4 生成匹配文檔
6.4 Web文本關聯規則獲取與匹配
6.4.1 基於關聯規則的頻繁Web特徵詞條集
6.4.2 生成匹配文檔
第7章 整合Web語義知識的個性化信息推薦方法
7.1 整合Web語義知識的個性化信息推薦概述
7.1.1 整合Web語義知識的個性化信息推薦框架
7.1.2 整合Web語義知識的個性化信息推薦方法的優勢
7.2 本體的基本理論
7.2.1 本體的概念與特點
7.2.2 本體的分類
7.2.3 本體的建模元語
7.2.4 本體的表示方法
7.3 Web領域本體的構建
7.3.1 本體構建的一般方法
7.3.2 Web領域本體的構建過程
7.4 基於Web領域本體的個性化信息推薦方法
7.4.1 導出語義層次的Web使用文檔
7.4.2 生成個性化推薦Web頁面集
第8章 基於社會化標簽的Web用戶興趣建模
8.1 社會化標簽概述
8.1.1 社會化標簽的起源
8.1.2 社會化標簽系統模型
8.1.3 社會化標簽系統的特點與不足
8.2 基於社會化標簽聚類的Web用戶興趣模型
8.2.1 基於社會化標簽的向量空間模型
8.2.2 基於密度聚類的Web用戶興趣模型
8.2.3 實驗分析
8.3 基於社會化標簽網絡的Web用戶興趣模型
8.3.1 社會網絡分析概述
8.3.2 Web用戶的社會化標簽網絡模型
8.3.3 基於SNA的社會化標簽網絡分析
8.3.4 Web用戶興趣建模與個性化信息推薦
第9章 語用層次的Web用戶效用函數構建
9.1 引言
9.1.1 語用層次的個性化信息推薦方法的核心問題
9.1.2 面向此次Web站點訪問的Web用戶效用函數構建方法
9.2 基於用戶反饋的效用函數
9.2.1 用戶反饋
9.2.2 基於用戶顯式反饋的效用函數
9.2.3 基於用戶隱式反饋的效用函數
9.3 基於貝葉斯網絡學習機制的效用函數構建
9.3.1 貝葉斯網絡
9.3.2 基於一般Web用戶效用函數的先驗貝葉斯網絡構建
9.3.3 基於一般Web用戶效用函數的貝葉斯網絡學習
參考文獻
後記