掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
在線社會網絡的用戶行為建模與分析 版權信息
- ISBN：9787030526670
- 條形碼：9787030526670 ; 978-7-03-052667-0
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
在線社會網絡的用戶行為建模與分析 本書特色
網絡已經成為描述復雜系統*重要的工具之一，而我們所熟悉的在線社會系統無非兩大類。一類是社交網絡，旨在交友互動以及分享軼事趣聞。二是如亞馬遜、*商城這樣的電子商務在線系統。在這樣的在線網絡中，每個人*多能與多少人保持親密的聯系？怎樣的電子商務系統能夠*快*好的推薦給顧客想要的產品？這些都是本書即將要解答的問題。本書講述在線社會系統，背景，建模，實證研究和算法。
在線社會網絡的用戶行為建模與分析 內容簡介
郭強、劉建國著的《在線社會網絡的用戶行為建模與分析》介紹在線社會網絡及其研究進展，旨在反映在線社會網絡系統下的用戶行為規律。全書共分九章。**章介紹在線社會網絡的背景及基礎知識。第2章引入超網絡的概念與模型。第3章介紹在線社會網絡的用戶行為模式，并進行實證分析舉例。第4章介紹網絡中的節點重要性度量。第5章詳細介紹推薦算法的基礎知識。第6章介紹協同過濾推薦算法。第7章介紹基于網絡結構的推薦算法。第8章介紹基于內容的推薦算法。第9章介紹混合推薦算法。每章都包含復雜系統科學研究中心在該領域的相關研究工作及發表在SCI期刊論文中的部分成果。 本書可供有志于探索在線社會網絡的有關研究人員以及高等院校有關專業的研究生、本科生閱讀，也可為從事智能電子商務、復雜性科學、科學知識圖譜分析、知識管理、超網絡模型構建與分析、推薦算法、傳播動力學、時序行為模式分析以及大數據分析相關領域的教學、科研人員提供參考。
在線社會網絡的用戶行為建模與分析 目錄
目錄
前言
第1章 在線社會系統 1
1.1 在線社會網絡 1
1.1.1 社交網絡中的基本概念 2
1.1.2 社交網絡的理論基礎 3
1.1.3 社交網絡的國內外發展狀況 6
1.1.4 社交網絡的優勢和劣勢 7
1.2 個性化推薦系統的蓬勃發展 8
1.2.1 產生背景 8
1.2.2 個性化推薦系統的應用發展 10
1.2.3 研究意義 19
參考文獻 22
第2章 超網絡模型的構建及其應用 25
2.1 超網絡相關研究 25
2.1.1 超網絡的基本概念 25
2.1.2 超網絡的研究概述 25
2.1.3 超網絡研究存在的問題 27
2.2 知識傳播相關研究 28
2.2.1 知識的基本概念 28
2.2.2 知識傳播的研究概述 31
2.2.3 知識傳播研究存在的問題 32
2.3 科研合作超網絡模型的建立與分析 32
2.3.1 已有的兩種超網絡演化模型 32
2.3.2 LWH超網絡模型的建立 35
2.3.3 LWH超網絡拓撲特性的分析 36
2.4 科研合作超網絡上的知識傳播研究 44
2.4.1 知識傳播模型 44
2.4.2 知識傳播模型的參數設置及評價指標 47
2.4.3 結果分析 48
2.5 科研合作超網絡上的知識創造研究 51
2.5.1 知識創造超網絡模型的建立 52
2.5.2 數值模擬 55
2.6 小結 59
參考文獻 60
第3章 用戶行為模式分析 65
3.1 用戶行為在個性化推薦算法中的重要地位 65
3.2 用戶行為模式分析 65
3.2.1 基于集聚系數的度量方法 66
3.2.2 基于信息熵度量用戶興趣的多樣性 70
3.2.3 在線打分的記憶效應 75
3.3 微博中基于用戶結構的信息傳播分析 81
3.3.1 微博網絡的相關機制 81
3.3.2 突發事件的信息傳播分析 82
3.4 Facebook中個人中心網絡的統計特性分析 87
3.4.1 模型的建立 88
3.4.2 數據描述 90
3.4.3 實證統計 91
3.4.4 隨機模型的運用 94
3.5 社會影響對用戶選擇行為的影響 96
3.5.1 社會影響與用戶偏好網絡模型建立及其結構特性 96
3.5.2 網絡數據分析 103
3.5.3 數值模擬 107
參考文獻 110
第4章 網絡中的節點重要性度量 113
4.1 網絡中節點重要性排序的研究進展 113
4.1.1 基于網絡結構的節點重要性排序方法 114
4.1.2 基于傳播動力學的節點重要性排序方法 124
4.2 復雜網絡中*小k-核節點的傳播能力分析 125
4.2.1 理論基礎與方法 126
4.2.2 數值仿真與結果分析 128
4.3 基于k-核與距離的節點傳播影響力排序方法研究 131
4.3.1 基于k-核與距離的節點傳播影響力排序度量方法 132
4.3.2 實驗數據及相關參數 132
4.3.3 數值仿真與結果分析 133
4.4 基于度與集聚系數的網絡節點重要性度量方法研究 137
4.4.1 理論基礎與方法 138
4.4.2 實例驗證 141
參考文獻 143
第5章 個性化推薦系統的相關理論概念 148
5.1 二部分網絡 148
5.2 個性化推薦算法 152
5.2.1 基于協同過濾算法的推薦系統 152
5.2.2 基于內容的推薦系統 152
5.2.3 基于網絡結構的推薦系統 153
5.2.4 基于混合推薦算法的推薦系統 153
5.2.5 其他推薦算法 153
5.3 常用數據集 154
5.3.1 MovieLens數據集 154
5.3.2 Netflix數據集 155
5.3.3 Delicious數據集 155
5.3.4 Amazon數據集 155
5.4 評價指標 157
5.4.1 推薦的準確度 158
5.4.2 被推薦產品的流行性 159
5.4.3 推薦產品的多樣性 159
5.4.4 分類準確度、準確率與召回率 160
5.4.5 F度量 160
5.4.6 新穎性 161
5.5 相似性 161
5.5.1 基于打分的相似性 161
5.5.2 結構相似性 162
5.6 小結 165
參考文獻 167
第6章 協同過濾推薦系統的算法研究 170
6.1 協同過濾推薦算法 170
6.1.1 基于用戶的協同過濾推薦算法 170
6.1.2 基于產品的協同過濾推薦算法 172
6.2 用戶關聯網絡對協同過濾推薦算法的影響研究 174
6.2.1 用戶關聯網絡簡介 174
6.2.2 用戶關聯網絡統計屬性 175
6.2.3 基于用戶關聯網絡的協同過濾推薦算法 178
6.3 考慮負相關性信息的協同過濾推薦算法研究 180
6.3.1 算法介紹 181
6.3.2 實驗結果分析 182
6.4 集聚系數對協同過濾推薦算法的影響研究 185
6.4.1 產品集聚系數對協同過濾推薦算法的影響研究 185
6.4.2 用戶集聚系數對協同過濾推薦算法的影響研究 186
6.4.3 數值結果分析 187
6.5 基于Sigmoid權重相似度的協同過濾推薦算法 190
6.5.1 基于Sigmoid權重相似度的協同過濾推薦算法 190
6.5.2 實驗過程及結果分析 193
參考文獻 195
第7章 基于網絡結構的推薦算法研究 197
7.1 基于熱傳導的推薦算法 197
7.2 二部分圖中局部信息對熱傳導推薦算法的影響研究 198
7.2.1 HC數值模擬結果 199
7.2.2 改進的HC數值模擬結果 200
7.3 基于物質擴散過程的推薦算法 202
7.4 基于物質擴散過程的協同過濾推薦算法 204
7.4.1 基于物質擴散過程的二階協同過濾推薦算法 205
7.4.2 算法的數值實驗結果 205
7.5 考慮用戶喜好的物質擴散推薦算法 207
7.6 產品之間的高階相關性對基于網絡結構推薦算法的影響 209
7.6.1 基于網絡結構的推薦算法 210
7.6.2 通過去除重復性的改進的算法 211
7.6.3 實驗數據結果 213
7.7 有向相似性對協同過濾推薦系統的影響 215
7.7.1 用戶相似性的方向性對CF算法的影響 216
7.7.2 基于*大相似性的CF算法 218
7.7.3 數值結果分析 219
7.8 二階有向相似性對協同過濾推薦算法的影響 225
7.8.1 改進的算法 228
7.8.2 實驗結果分析 229
7.9 時間窗口對熱傳導推薦模型的影響研究 233
7.9.1 基于局部信息的用戶相似性指標 233
7.9.2 實證結果分析 234
7.10 考慮負面評價的個性化推薦算法研究 239
7.10.1 基于物質擴散模型 239
7.10.2 基于熱傳導模型 245
7.11 一種改進的混合推薦算法研究 250
7.11.1 模型與方法 250
7.11.2 實證結果分析 251
參考文獻 254
第8章 基于內容的推薦算法研究 256
參考文獻 259
第9章 混合推薦算法研究 260
參考文獻 261
前言
第1章 在線社會系統 1
1.1 在線社會網絡 1
1.1.1 社交網絡中的基本概念 2
1.1.2 社交網絡的理論基礎 3
1.1.3 社交網絡的國內外發展狀況 6
1.1.4 社交網絡的優勢和劣勢 7
1.2 個性化推薦系統的蓬勃發展 8
1.2.1 產生背景 8
1.2.2 個性化推薦系統的應用發展 10
1.2.3 研究意義 19
參考文獻 22
第2章 超網絡模型的構建及其應用 25
2.1 超網絡相關研究 25
2.1.1 超網絡的基本概念 25
2.1.2 超網絡的研究概述 25
2.1.3 超網絡研究存在的問題 27
2.2 知識傳播相關研究 28
2.2.1 知識的基本概念 28
2.2.2 知識傳播的研究概述 31
2.2.3 知識傳播研究存在的問題 32
2.3 科研合作超網絡模型的建立與分析 32
2.3.1 已有的兩種超網絡演化模型 32
2.3.2 LWH超網絡模型的建立 35
2.3.3 LWH超網絡拓撲特性的分析 36
2.4 科研合作超網絡上的知識傳播研究 44
2.4.1 知識傳播模型 44
2.4.2 知識傳播模型的參數設置及評價指標 47
2.4.3 結果分析 48
2.5 科研合作超網絡上的知識創造研究 51
2.5.1 知識創造超網絡模型的建立 52
2.5.2 數值模擬 55
2.6 小結 59
參考文獻 60
第3章 用戶行為模式分析 65
3.1 用戶行為在個性化推薦算法中的重要地位 65
3.2 用戶行為模式分析 65
3.2.1 基于集聚系數的度量方法 66
3.2.2 基于信息熵度量用戶興趣的多樣性 70
3.2.3 在線打分的記憶效應 75
3.3 微博中基于用戶結構的信息傳播分析 81
3.3.1 微博網絡的相關機制 81
3.3.2 突發事件的信息傳播分析 82
3.4 Facebook中個人中心網絡的統計特性分析 87
3.4.1 模型的建立 88
3.4.2 數據描述 90
3.4.3 實證統計 91
3.4.4 隨機模型的運用 94
3.5 社會影響對用戶選擇行為的影響 96
3.5.1 社會影響與用戶偏好網絡模型建立及其結構特性 96
3.5.2 網絡數據分析 103
3.5.3 數值模擬 107
參考文獻 110
第4章 網絡中的節點重要性度量 113
4.1 網絡中節點重要性排序的研究進展 113
4.1.1 基于網絡結構的節點重要性排序方法 114
4.1.2 基于傳播動力學的節點重要性排序方法 124
4.2 復雜網絡中*小k-核節點的傳播能力分析 125
4.2.1 理論基礎與方法 126
4.2.2 數值仿真與結果分析 128
4.3 基于k-核與距離的節點傳播影響力排序方法研究 131
4.3.1 基于k-核與距離的節點傳播影響力排序度量方法 132
4.3.2 實驗數據及相關參數 132
4.3.3 數值仿真與結果分析 133
4.4 基于度與集聚系數的網絡節點重要性度量方法研究 137
4.4.1 理論基礎與方法 138
4.4.2 實例驗證 141
參考文獻 143
第5章 個性化推薦系統的相關理論概念 148
5.1 二部分網絡 148
5.2 個性化推薦算法 152
5.2.1 基于協同過濾算法的推薦系統 152
5.2.2 基于內容的推薦系統 152
5.2.3 基于網絡結構的推薦系統 153
5.2.4 基于混合推薦算法的推薦系統 153
5.2.5 其他推薦算法 153
5.3 常用數據集 154
5.3.1 MovieLens數據集 154
5.3.2 Netflix數據集 155
5.3.3 Delicious數據集 155
5.3.4 Amazon數據集 155
5.4 評價指標 157
5.4.1 推薦的準確度 158
5.4.2 被推薦產品的流行性 159
5.4.3 推薦產品的多樣性 159
5.4.4 分類準確度、準確率與召回率 160
5.4.5 F度量 160
5.4.6 新穎性 161
5.5 相似性 161
5.5.1 基于打分的相似性 161
5.5.2 結構相似性 162
5.6 小結 165
參考文獻 167
第6章 協同過濾推薦系統的算法研究 170
6.1 協同過濾推薦算法 170
6.1.1 基于用戶的協同過濾推薦算法 170
6.1.2 基于產品的協同過濾推薦算法 172
6.2 用戶關聯網絡對協同過濾推薦算法的影響研究 174
6.2.1 用戶關聯網絡簡介 174
6.2.2 用戶關聯網絡統計屬性 175
6.2.3 基于用戶關聯網絡的協同過濾推薦算法 178
6.3 考慮負相關性信息的協同過濾推薦算法研究 180
6.3.1 算法介紹 181
6.3.2 實驗結果分析 182
6.4 集聚系數對協同過濾推薦算法的影響研究 185
6.4.1 產品集聚系數對協同過濾推薦算法的影響研究 185
6.4.2 用戶集聚系數對協同過濾推薦算法的影響研究 186
6.4.3 數值結果分析 187
6.5 基于Sigmoid權重相似度的協同過濾推薦算法 190
6.5.1 基于Sigmoid權重相似度的協同過濾推薦算法 190
6.5.2 實驗過程及結果分析 193
參考文獻 195
第7章 基于網絡結構的推薦算法研究 197
7.1 基于熱傳導的推薦算法 197
7.2 二部分圖中局部信息對熱傳導推薦算法的影響研究 198
7.2.1 HC數值模擬結果 199
7.2.2 改進的HC數值模擬結果 200
7.3 基于物質擴散過程的推薦算法 202
7.4 基于物質擴散過程的協同過濾推薦算法 204
7.4.1 基于物質擴散過程的二階協同過濾推薦算法 205
7.4.2 算法的數值實驗結果 205
7.5 考慮用戶喜好的物質擴散推薦算法 207
7.6 產品之間的高階相關性對基于網絡結構推薦算法的影響 209
7.6.1 基于網絡結構的推薦算法 210
7.6.2 通過去除重復性的改進的算法 211
7.6.3 實驗數據結果 213
7.7 有向相似性對協同過濾推薦系統的影響 215
7.7.1 用戶相似性的方向性對CF算法的影響 216
7.7.2 基于*大相似性的CF算法 218
7.7.3 數值結果分析 219
7.8 二階有向相似性對協同過濾推薦算法的影響 225
7.8.1 改進的算法 228
7.8.2 實驗結果分析 229
7.9 時間窗口對熱傳導推薦模型的影響研究 233
7.9.1 基于局部信息的用戶相似性指標 233
7.9.2 實證結果分析 234
7.10 考慮負面評價的個性化推薦算法研究 239
7.10.1 基于物質擴散模型 239
7.10.2 基于熱傳導模型 245
7.11 一種改進的混合推薦算法研究 250
7.11.1 模型與方法 250
7.11.2 實證結果分析 251
參考文獻 254
第8章 基于內容的推薦算法研究 256
參考文獻 259
第9章 混合推薦算法研究 260
參考文獻 261
展開全部
書友推薦
- >
二體千字文
- >
姑媽的寶刀
- >
中國歷史的瞬間
- >
朝聞道
- >
伯納黛特,你要去哪(2021新版)
- >
經典常談
- >
煙與鏡
- >
山海經
本類暢銷
