《社會計算:用戶線上行為分析與挖掘》在大數據的時代背景和社會計算的框架下，介紹從大量用戶線上行為數據中發現其中隱含的用戶行為模式和興趣偏好的方法和技術。全書主要內容分為7個部分，分別介紹用戶線上搜尋行為、網上購物行為、瀏覽行為、社會標註行為、評論行為以及社交行為等方面的數據分析技術和方法，涉及搜尋意圖的分析、購物模式的發現、周期行為的挖掘、標籤的有效聚類、評論意見的挖掘、用戶偏好的發現、個性化推薦方法、連結分析以及社會網路的分析方法等最新研究內容。
基本介紹
- 書名：社會計算:用戶線上行為分析與挖掘
- 作者：劉紅岩
- 出版社：清華大學出版社
- 頁數：207頁
- 開本：16
- 外文名：Social Computing: User online behavior analysis and mining
- 類型：計算機與網際網路
- 出版日期：2014年7月1日
- 語種：簡體中文
內容簡介,圖書目錄,
內容簡介
《社會計算:用戶線上行為分析與挖掘》內容新穎、豐富、易於理解，反映社會計算和商務智慧型的最新研究和套用趨勢。《社會計算:用戶線上行為分析與挖掘》主要面向高等院校和科研單位的研究生、博士生和相關研究領域的學者，對業界管理人員和信息技術人員也有一定的參考價值。
圖書目錄
第1章 緒論
1.1 大數據分析與社會計算
1.2 用戶線上行為的分析與挖掘
1.2.1 線上搜尋行為分析
1.2.2 線上購物行為分析
1.2.3 線上瀏覽行為分析
1.2.4 線上評論意見挖掘
1.2.5 基於線上行為的推薦
1.2.6 線上標註行為分析
1.2.7 社會網路分析與挖掘
參考文獻
第2章 線上搜尋行為分析
2.1 搜尋意圖挖掘
2.1.1 問題定義
2.1.2 單視圖關係圖構建
2.1.3 跨視圖關係構建
2.1.4 多視圖隨機遊走模型
2.1.5 查詢相似度衡量
2.1.6 多視圖隨機遊走模型與其他模型關係
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 基於隨機遊走的局部擴展的事件發現方法
2.2.3 基於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 線上購物行為分析
3.1 挖掘跨網站購物模式
3.1.1 什麼是跨網站購物模式
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 線上瀏覽行為周期性分析
4.1 周期模式相關工作
4.2 基於方差的周期模式
4.3 基於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 準遍曆法
4.5 預測事件的發生
4.6 實驗
4.6.1 線上瀏覽行為數據集
4.6.2 合成數據
4.7 結論
參考文獻
第5章 線上評論意見挖掘
5.1 簡介
5.2 線上評論中特徵和意見詞的抽取
5.2.1 意見詞抽取
5.2.2 意見詞和特徵的疊代抽取
5.2.3 同義詞的識別
5.2.4 實驗
5.2.5 結論
5.3 線上評論情感分析
5.3.1 相關工作
5.3.2 特徵意見對極性判斷方法
5.3.3 實驗
5.3.4 結論
5.4 線上評論意見挖掘系統
參考文獻
第6章 基於線上行為的推薦
6.1 已有推薦方法簡介
6.1.1 基於用戶的協同過濾
6.1.2 基於產品的協同過濾
6.2 基於線上評論的推薦方法
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 線上約會朋友推薦
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 線上標註行為分析
7.1 簡介
7.2 相關工作
7.3 基於隨機遊走的標籤相似度度量
7.3.1 隨機遊走模型
7.3.2 基於隨機遊走理論衡量標籤間的相似度
7.3.3 算法分析
7.4 基於鄰居搜尋的標籤聚類方法
7.4.1 聚類算法TagClus
7.4.2 時間複雜度分析
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 ；的時間複雜度
7.6 結論
參考文獻
第8章 社會網路分析與挖掘
8.1 基於連結的相似度的高效計算
8.1.1 基於連結的相似度簡介
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 衡量社會網路中對象間的影響機率
8.2.1 簡介
8.2.2 相關工作
8.2.3 衡量影響機率的線性模型
8.2.4 基於隨機遊走的算法： 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
1.1 大數據分析與社會計算
1.2 用戶線上行為的分析與挖掘
1.2.1 線上搜尋行為分析
1.2.2 線上購物行為分析
1.2.3 線上瀏覽行為分析
1.2.4 線上評論意見挖掘
1.2.5 基於線上行為的推薦
1.2.6 線上標註行為分析
1.2.7 社會網路分析與挖掘
參考文獻
第2章 線上搜尋行為分析
2.1 搜尋意圖挖掘
2.1.1 問題定義
2.1.2 單視圖關係圖構建
2.1.3 跨視圖關係構建
2.1.4 多視圖隨機遊走模型
2.1.5 查詢相似度衡量
2.1.6 多視圖隨機遊走模型與其他模型關係
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 基於隨機遊走的局部擴展的事件發現方法
2.2.3 基於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 線上購物行為分析
3.1 挖掘跨網站購物模式
3.1.1 什麼是跨網站購物模式
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 線上瀏覽行為周期性分析
4.1 周期模式相關工作
4.2 基於方差的周期模式
4.3 基於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 準遍曆法
4.5 預測事件的發生
4.6 實驗
4.6.1 線上瀏覽行為數據集
4.6.2 合成數據
4.7 結論
參考文獻
第5章 線上評論意見挖掘
5.1 簡介
5.2 線上評論中特徵和意見詞的抽取
5.2.1 意見詞抽取
5.2.2 意見詞和特徵的疊代抽取
5.2.3 同義詞的識別
5.2.4 實驗
5.2.5 結論
5.3 線上評論情感分析
5.3.1 相關工作
5.3.2 特徵意見對極性判斷方法
5.3.3 實驗
5.3.4 結論
5.4 線上評論意見挖掘系統
參考文獻
第6章 基於線上行為的推薦
6.1 已有推薦方法簡介
6.1.1 基於用戶的協同過濾
6.1.2 基於產品的協同過濾
6.2 基於線上評論的推薦方法
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 線上約會朋友推薦
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 線上標註行為分析
7.1 簡介
7.2 相關工作
7.3 基於隨機遊走的標籤相似度度量
7.3.1 隨機遊走模型
7.3.2 基於隨機遊走理論衡量標籤間的相似度
7.3.3 算法分析
7.4 基於鄰居搜尋的標籤聚類方法
7.4.1 聚類算法TagClus
7.4.2 時間複雜度分析
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 ；的時間複雜度
7.6 結論
參考文獻
第8章 社會網路分析與挖掘
8.1 基於連結的相似度的高效計算
8.1.1 基於連結的相似度簡介
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 衡量社會網路中對象間的影響機率
8.2.1 簡介
8.2.2 相關工作
8.2.3 衡量影響機率的線性模型
8.2.4 基於隨機遊走的算法： 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
