本書(shū)利用當(dāng)前最熱門的社交網(wǎng)絡(luò)媒體微博等進(jìn)行大數(shù)據(jù)文本分析，并在此基礎(chǔ)上，提出基于文本分析的推薦方法，多層級(jí)推薦方法，融合評(píng)分矩陣的推薦方法，基于社團(tuán)聚類的推薦方法，基于用戶點(diǎn)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(shí)給出一種Web查詢?cè)~推薦服務(wù)，讓用戶更精確地查找并定位到所要搜索的相關(guān)網(wǎng)頁(yè)。
更多科學(xué)出版社服務(wù)，請(qǐng)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(shì) 6
2.1.3 基于LDA的語(yǔ)義抽取 9
2.2 基于新鮮方面的Web查詢?cè)~推薦服務(wù) 11
2.2.1 查詢?cè)~推薦流程 11
2.2.2 查詢?cè)~推薦算法 12
2.2.3 數(shù)據(jù)集的選取與數(shù)據(jù)評(píng)估方法 13
2.2.4 實(shí)驗(yàn)結(jié)果與分析 14
第3章 Web大數(shù)據(jù)多層級(jí)推薦方法 21
3.1 單層級(jí)相關(guān)推薦 21
3.1.1 相關(guān)推薦場(chǎng)景及基礎(chǔ)算法分析 21
3.1.2 基于熱度融合的相關(guān)推薦 24
3.1.3 實(shí)驗(yàn)結(jié)果與分析 32
3.2 多層級(jí)相關(guān)推薦 38
3.2.1 基于資源傳播的相關(guān)推薦 38
3.2.2 基于用戶反饋的多層級(jí)相關(guān)推薦 44
3.2.3 實(shí)驗(yàn)結(jié)果與分析 49
第4章 融合評(píng)分矩陣和評(píng)論文本的推薦方法 54
4.1 基于評(píng)分?jǐn)?shù)據(jù)的矩陣分解模型 54
4.1.1 傳統(tǒng)的評(píng)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(shí)驗(yàn)結(jié)果分析 57
4.2 融合評(píng)分與評(píng)論的HFPT及DLMF算法 61
4.2.1 基于評(píng)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(shí)驗(yàn)結(jié)果與分析 76
第5章 基于社團(tuán)聚類的推薦方法 83
5.1 社團(tuán)結(jié)構(gòu)以及社團(tuán)發(fā)現(xiàn)算法 83
5.2 基于用戶偏好聚類的社團(tuán)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(tuán)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(shí)驗(yàn) 90
5.4 社團(tuán)聚類與多源數(shù)據(jù)融合建模的興趣點(diǎn)推薦算法 92
5.4.1 SoGeoSco建模過(guò)程 93
5.4.2 社團(tuán)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(quán)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(guò)濾模型 109
6.1.4 線性加權(quán)混合 110
6.2 基于Stacking的混合推薦 111
6.2.1 初級(jí)學(xué)習(xí)器選擇 112
6.2.2 次級(jí)學(xué)習(xí)器選擇 113
6.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析 114
6.3.1 實(shí)驗(yàn)評(píng)價(jià)指標(biāo) 114
6.3.2 數(shù)據(jù)集選取與處理 114
6.3.3 實(shí)驗(yàn)環(huán)境 117
6.3.4 實(shí)驗(yàn)設(shè)計(jì)與分析 117
6.3.5 實(shí)驗(yàn)結(jié)果對(duì)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(gè)人推薦算法 125
7.1.1 個(gè)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(shí)驗(yàn)分析 137
7.3.1 數(shù)據(jù)準(zhǔn)備 137
7.3.2 融合隱性特征的個(gè)人推薦算法實(shí)驗(yàn) 139
7.3.3 融合隱性特征的群組推薦算法實(shí)驗(yàn) 144
第8章 分布式群組推薦方法 150
8.1 并行架構(gòu)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(shí)驗(yàn)結(jié)果與分析 161
8.3 Follow社交關(guān)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(shí)驗(yàn)結(jié)果與分析 172
8.4.1 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理 172
8.4.2 實(shí)驗(yàn)方案設(shè)計(jì) 172
8.4.3 實(shí)驗(yàn)分析 173
參考文獻(xiàn) 179
書(shū)單推薦
