亚洲av日韩aⅴ无码,国产的黄色噜噜视频,日本黄色视频网

內容簡介

　　基于Web挖掘的個性化信息推薦是解決當前互聯(lián)網“信息過載”問題的重要手段之一。《基于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，建立了基于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，提出了基于網絡書簽的個性化信息推薦方法；從語義層次的角度，提出了基于Web文本挖掘的推薦規(guī)則獲取與匹配方法，分析了基于Web領域本體的個性化信息推薦方法，研究了基于社會化標簽的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。《基于Web挖掘的個性化信息推薦》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(yè)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(yè)博士，武漢大學圖書館、情報與檔案管理在站博士后。華中師范大學信息管理系副教授，情報學專業(yè)碩士生導師。主要從事web挖掘與信息服務、社會網絡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《客戶關系管理》、《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(fā)表論文30余篇，l收錄1篇，ISTP收錄3篇。編者簡介：王偉軍，華中師范大學教授、博士生導師?，F任華中師范大學信息管理系副主任；華中師范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(yè)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》等雜志的編委和《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(yōu)秀人才支持計劃。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(fā)表學術論文80余篇，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”計劃、教育部高等學校學科創(chuàng)新引智計劃、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(yōu)秀成果一等獎和三等獎、湖北省自然科學優(yōu)秀學術論文三等獎，第六屆全國多媒體課件大賽優(yōu)秀獎、武漢市社會科學優(yōu)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 基于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章基于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 基于全信息的“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 基于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 基于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 基于頻繁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章基于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 基于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(tǒng)模型
5.2.3 基于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(tǒng)中基于社團結構的個性化信息推薦
5.3.1 社團內基于協(xié)作過濾的個性化信息推薦
5.3.2 社團間基于“信息橋”的個性化信息推薦
5.3.3 實驗分析
第6章語義層次的基于Web文本挖掘的推薦規(guī)則獲取與匹配
6.1 基于Web文本挖掘的推薦規(guī)則獲取與匹配模型
6.2 基于向量空間模型的Web文本表示
6.2.1 Web頁面的凈化
6.2.2 Web文本特征粒度的選擇
6.2.3 Web文本特征的提取
6.2.4 Web文本特征的選擇
6.3 基于Web特征詞條聚類的文本挖掘
6.3.1 交易事務的特征詞條表示
6.3.2 基于特征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(lián)規(guī)則獲取與匹配
6.4.1 基于關聯(lián)規(guī)則的頻繁Web特征詞條集
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(yōu)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 基于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章基于社會化標簽的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(tǒng)模型
8.1.3 社會化標簽系統(tǒng)的特點與不足
8.2 基于社會化標簽聚類的Web用戶興趣模型
8.2.1 基于社會化標簽的向量空間模型
8.2.2 基于密度聚類的Web用戶興趣模型
8.2.3 實驗分析
8.3 基于社會化標簽網絡的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 基于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 基于用戶反饋的效用函數
9.2.1 用戶反饋
9.2.2 基于用戶顯式反饋的效用函數
9.2.3 基于用戶隱式反饋的效用函數
9.3 基于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 基于一般Web用戶效用函數的先驗貝葉斯網絡構建
9.3.3 基于一般Web用戶效用函數的貝葉斯網絡學習
參考文獻
后記