《基於Web挖掘的個性化信息推薦》是2010年科學出版社出版的圖書，作者是易明。
基本介紹
- 書名：基於Web挖掘的個性化信息推薦
- 作者：易明
- ISBN：9787030274465
- 定價：48.00元
- 出版社：科學出版社
- 出版時間：2010年5月1日
- 開本： 16開
內容簡介,作者簡介,圖書目錄,
內容簡介
基於Web挖掘的個性化信息推薦是解決當前網際網路“信息過載”問題的重要手段之一。《基於Web挖掘的個性化信息推薦》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，並構建了語法層次、語義層次和語用層次的個性化信息推薦方法體系。然後，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，並借鑑複雜網路中的社團結構劃分方法，提出了基於網路書籤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籤的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路理論討論了Web用戶效用函式的構建方法。
《基於Web挖掘的個性化信息推薦》內容豐富、套用性強，可供信息管理、計算機套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。
作者簡介
易明,1978年生，湖北黃岡人。華中科技大學管理科學與工程專業博士，武漢大學圖書館、情報與檔案管理在站博士後。華中師範大學信息管理系副教授，情報學專業碩士生導師。
主要從事web挖掘與信息服務、社會網路與知識管理等領域的研究。主持教育部人文社會科學研究青年基金項目1項、全國高等學校教學研究中心項目1項，參加國家級、省部級項目6項。主編出版《客戶關係管理》、《電子商務概論》等教材。在《中國圖書館學報》、《情報學報》，《中國管理科學》、《圖書情報工作》、《情報科學》、《現代圖書情報技術》等國內刊物公開發表論文30餘篇，l收錄1篇，ISTP收錄3篇。
編者簡介：
王偉軍,華中師範大學教授、博士生導師。
現任華中師範大學信息管理系副主任；華中師範大學教學委員會委員、學位評定委員會管理學分會委員、知識管理與知識服務研究中心主任；兼任教育部高等學校圖書館學科教學指導委員會委員，中國索引學會常務理事，中國社會科學情報學會理事，中國信息經濟學會電子商務專業委員會副秘書長，湖北省電子商務學會常務理事、副秘書長，湖北省信息學會常務理事；《情報科學》、《評價與管理》、《湖北信息化》等雜誌的編委和《情報資料工作》學術指導委員會委員；曾擔任第七屆IFIP電子商務、電子服務與電子社會（13E2007）國際會議主席。2007年入選教育部新世紀優秀人才支持計畫。
一直從事信息資源管理、知識管理與知識服務，電子商務等領域的教學和研究工作；公開發表學術論文80餘篇，出版著作嘟（含合著）；近5年來，主持或參與國家自然科學基金、國家社會科學基金，國家“863”計畫、教育部高等學校學科創新引智計畫、教育部人文社會科學研究和武漢市社會科學基金等10多項課題；曾榮獲湖北省社會科學優秀成果一等獎和三等獎、湖北省自然科學優秀學術論文三等獎，第六屆全國多媒體課件大賽優秀獎、武漢市社會科學優秀科研成果獎等多項獎勵。
圖書目錄
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 線上推薦
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 基於網路書籤的個性化信息推薦方法
5.1 Web 2.0與網路書籤
5.1.1 Web 2.0概述
5.1.2 網路書籤概述
5.2 基於網路書籤的社團結構劃分
5.2.1 社團結構的定義
5.2.2 網路書籤系統模型
5.2.3 基於CPM算法的社團結構劃分
5.2.4 實驗分析
5.3 網路書籤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頁面的淨化
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 基於社會化標籤的Web用戶興趣建模
8.1 社會化標籤概述
8.1.1 社會化標籤的起源
8.1.2 社會化標籤系統模型
8.1.3 社會化標籤系統的特點與不足
8.2 基於社會化標籤聚類的Web用戶興趣模型
8.2.1 基於社會化標籤的向量空間模型
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 基於社會化標籤網路的Web用戶興趣模型
8.3.1 社會網路分析概述
8.3.2 Web用戶的社會化標籤網路模型
8.3.3 基於SNA的社會化標籤網路分析
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用戶效用函式構建
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用戶效用函式構建方法
9.2 基於用戶反饋的效用函式
9.2.1 用戶反饋
9.2.2 基於用戶顯式反饋的效用函式
9.2.3 基於用戶隱式反饋的效用函式
9.3 基於貝葉斯網路學習機制的效用函式構建
9.3.1 貝葉斯網路
9.3.2 基於一般Web用戶效用函式的先驗貝葉斯網路構建
9.3.3 基於一般Web用戶效用函式的貝葉斯網路學習
參考文獻
後記
