本書利用當前最熱門的社交網(wǎng)絡媒體微博等進行大數(shù)據(jù)文本分析，并在此基礎上，提出基于文本分析的推薦方法，多層級推薦方法，融合評分矩陣的推薦方法，基于社團聚類的推薦方法，基于用戶點擊行為的混合推薦方法，融合隱性特征的群組推薦方法，分布式群組推薦方法。同時給出一種Web查詢詞推薦服務，讓用戶更精確地查找并定位到所要搜索的相關網(wǎng)頁。
更多科學出版社服務，請掃碼獲取。
目錄
第1章 緒論 1
第2章 微博大數(shù)據(jù)分析與推薦方法 4
2.1 新浪微話題的媒體特征分析 4
2.1.1 微博活躍度 4
2.1.2 微話題的演變趨勢 6
2.1.3 基于LDA的語義抽取 9
2.2 基于新鮮方面的Web查詢詞推薦服務 11
2.2.1 查詢詞推薦流程 11
2.2.2 查詢詞推薦算法 12
2.2.3 數(shù)據(jù)集的選取與數(shù)據(jù)評估方法 13
2.2.4 實驗結果與分析 14
第3章 Web大數(shù)據(jù)多層級推薦方法 21
3.1 單層級相關推薦 21
3.1.1 相關推薦場景及基礎算法分析 21
3.1.2 基于熱度融合的相關推薦 24
3.1.3 實驗結果與分析 32
3.2 多層級相關推薦 38
3.2.1 基于資源傳播的相關推薦 38
3.2.2 基于用戶反饋的多層級相關推薦 44
3.2.3 實驗結果與分析 49
第4章 融合評分矩陣和評論文本的推薦方法 54
4.1 基于評分數(shù)據(jù)的矩陣分解模型 54
4.1.1 傳統(tǒng)的評分矩陣分解模型 54
4.1.2 鄰域影響的矩陣分解模型 56
4.1.3 傳統(tǒng)模型實驗結果分析 57
4.2 融合評分與評論的HFPT及DLMF算法 61
4.2.1 基于評論主題偏好的HFPT算法 62
4.2.2 融合用戶偏好與商品特性的DLMF算法 69
4.2.3 實驗結果與分析 76
第5章 基于社團聚類的推薦方法 83
5.1 社團結構以及社團發(fā)現(xiàn)算法 83
5.2 基于用戶偏好聚類的社團發(fā)現(xiàn)算法 84
5.2.1 用戶興趣偏好建模 85
5.2.2 CDPC算法流程 85
5.3 基于社團聚類的興趣偏好建模算法 88
5.3.1 CDCF算法的提出 88
5.3.2 CDCF算法流程 89
5.3.3 CDCF算法實驗 90
5.4 社團聚類與多源數(shù)據(jù)融合建模的興趣點推薦算法 92
5.4.1 SoGeoSco建模過程 93
5.4.2 社團聚類與多源數(shù)據(jù)融合建模的SoGeoSco模型 98
第6章 基于用戶行為的混合推薦方法 105
6.1 基于加權的混合模型 105
6.1.1 基于SVD的矩陣分解模型 105
6.1.2 ListWise優(yōu)化后的矩陣分解模型 107
6.1.3 基于用戶的協(xié)同過濾模型 109
6.1.4 線性加權混合 110
6.2 基于Stacking的混合推薦 111
6.2.1 初級學習器選擇 112
6.2.2 次級學習器選擇 113
6.3 實驗設計與結果分析 114
6.3.1 實驗評價指標 114
6.3.2 數(shù)據(jù)集選取與處理 114
6.3.3 實驗環(huán)境 117
6.3.4 實驗設計與分析 117
6.3.5 實驗結果對比 123
第7章 融合隱性特征的群組用戶推薦方法 125
7.1 融合隱性特征的個人推薦算法 125
7.1.1 個人推薦的常用方法 125
7.1.2 SVD++推薦算法模型 128
7.2 融合隱性特征的群組推薦算法 131
7.2.1 群組推薦生成方式 131
7.2.2 群組融合策略 133
7.2.3 融合隱性特征的群組推薦算法 135
7.3 群組推薦實驗分析 137
7.3.1 數(shù)據(jù)準備 137
7.3.2 融合隱性特征的個人推薦算法實驗 139
7.3.3 融合隱性特征的群組推薦算法實驗 144
第8章 分布式群組推薦方法 150
8.1 并行架構及算法描述 150
8.1.1 LUALS-WR算法描述 150
8.1.2 基于LU分解的特征向量更新 153
8.2 分布式矩陣分解模型求解 157
8.2.1 SGD和ALS 157
8.2.2 基于MapReduce的分割策略 160
8.2.3 實驗結果與分析 161
8.3 Follow社交關系的群組推薦方法 165
8.3.1 群組推薦方法 166
8.3.2 偏好融合策略 168
8.4 實驗結果與分析 172
8.4.1 實驗數(shù)據(jù)預處理 172
8.4.2 實驗方案設計 172
8.4.3 實驗分析 173
參考文獻 179
書單推薦
