社會計算：用戶線上行為分析與挖掘（簡體書）

第1章 緒論 1．1 大數據分析與社會計算 1．2 用戶在線行為的分析與挖掘 1．2．1 在線搜索行為分析 1．2．2 在線購物行為分析 1．2．3 在線瀏覽行為分析 1．2．4 在線評論意見挖掘 1．2．5 基于在線行為的推薦 1．2．6 在線標注行為分析 1．2．7 社會網絡分析與挖掘 參考文獻
第2章 在線搜索行為分析 2．1 搜索意圖挖掘 2．1．1 問題定義 2．1．2 單視圖關系圖構建 2．1．3 跨視圖關系構建 2．1．4 多視圖隨機游走模型 2．1．5 查詢相似度衡量 2．1．6 多視圖隨機游走模型與其他模型關系 2．1．7 實驗 2．1．8 相關工作 2．1．9 小結 2．2 熱點事件挖掘 2．2．1 種子URL發現方法 2．2．2 基于隨機游走的局部擴展的事件發現方法 2．2．3 基于馬爾科夫隨機場的局部擴展方法 2．2．4 事件偵測 2．2．5 案例分析 2．2．6 實驗分析 2．2．7 相關工作 2．2．8 小結 參考文獻
第3章 在線購物行為分析 3．1 挖掘跨網站購物模式 3．1．1 什么是跨網站購物模式 3．1．2 跨網站購物模式的無候選集挖掘方法 3．1．3 挖掘其他類型的購物模式 3．1．4 實驗及案例分析 3．1．5 相關工作 3．2 交易行為模擬 3．2．1 數據的層次結構 3．2．2 人工層次數據流生成器 3．2．3 測試 3．2．4 結論 參考文獻
第4章 在線瀏覽行為周期性分析 4．1 周期模式相關工作 4．2 基于方差的周期模式 4．3 基于方差的周期模式的類型 4．4 周期模式的發現方法 4．4．1 貪婪分割法 4．4．2 準遍歷法 4．5 預測事件的發生 4．6 實驗 4．6．1 在線瀏覽行為數據集 4．6．2 合成數據 4．7 結論 參考文獻
第5章 在線評論意見挖掘 5．1 簡介 5．2 在線評論中特征和意見詞的抽取 5．2．1 意見詞抽取 5．2．2 意見詞和特征的迭代抽取 5．2．3 同義詞的識別 5．2．4 實驗 5．2．5 結論 5．3 在線評論情感分析 5．3．1 相關工作 5．3．2 特征意見對極性判斷方法 5．3．3 實驗 5．3．4 結論 5．4 在線評論意見挖掘系統 參考文獻
第6章 基于在線行為的推薦 6．1 已有推薦方法簡介 6．1．1 基于用戶的協同過濾 6．1．2 基于產品的協同過濾 6．2 基于在線評論的推薦方法 6．2．1 餐館模型 6．2．2 用戶偏好模型 6．2．3 推薦算法 6．2．4 實驗 6．2．5 結論 6．3 在線約會朋友推薦 6．3．1 問題定義 6．3．2 基本預測模型 6．3．3 算法BehvPred 6．3．4 實驗 6．3．5 結論 參考文獻
第7章 在線標注行為分析 7．1 簡介 7．2 相關工作 7．3 基于隨機游走的標簽相似度度量 7．3．1 隨機游走模型 7．3．2 基于隨機游走理論衡量標簽間的相似度 7．3．3 算法分析 7．4 基于鄰居搜索的標簽聚類方法 7．4．1 聚類算法TagClus 7．4．2 時間復雜度分析 7．5 實驗 7．5．1 聚類結果 7．5．2 聚類有效性分析 7．5．3 TagClus 的時間復雜度 7．6 結論 參考文獻
第8章 社會網絡分析與挖掘 8．1 基于鏈接的相似度的高效計算 8．1．1 基于鏈接的相似度簡介 8．1．2 相似度的冪律分布 8．1．3 算法 8．1．4 實驗 8．1．5 結論 8．2 衡量社會網絡中對象間的影響概率 8．2．1 簡介 8．2．2 相關工作 8．2．3 衡量影響概率的線性模型 8．2．4 基于隨機游走的算法： InfRank 8．2．5 二部圖算法Bipartite InfRank 8．2．6 星型圖算法Star InfRank 8．2．7 模型解釋 8．2．8 實驗 8．2．9 結論 參考文獻

顯示全部信息