Web大數據的分析與推薦方法檢視原始碼討論檢視歷史

來自 孔夫子網 的圖片

《Web大數據的分析與推薦方法》，李琳 等 著，出版社： 科學出版社。

書籍是用文字、圖畫和其他符號，在一定材料上記錄各種知識，清楚地表達思想，並且制裝成卷冊的著作物，為傳播各種知識和思想，積累人類文化的重要工具。它隨着歷史的發展，在書寫方式、所使用的材料和裝幀形式，以及形態方面，也在不斷變化與變更。

內容簡介

本書利用當前*熱門的社交網絡媒體微博等進行大數據文本分析，並在此基礎上，提出基於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，基於社團聚類的推薦方法，基於用戶點擊行為的混合推薦方法，融合隱性特徵的群組推薦方法，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並定位到所要搜索的相關網頁。

目錄

第1章 緒論

第2章 微博大數據分析與推薦方法

2.1 新浪微話題的媒體特徵分析

2.1.1 微博活躍度

2.1.2 微話題的演變趨勢

2.1.3 基於LDA的語義抽取

2.2 基於新鮮方面的Web查詢詞推薦服務

2.2.1 查詢詞推薦流程

2.2.2 查詢詞推薦算法

2.2.3 數據集的選取與數據評估方法

2.2.4 實驗結果與分析

第3章 Web大數據多層級推薦方法

3.1 單層級相關推薦

3.1.1 相關推薦場景及基礎算法分析

3.1.2 基於熱度融合的相關推薦

3.1.3 實驗結果與分析

3.2 多層級相關推薦

3.2.1 基於資源傳播的相關推薦

3.2.2 基於用戶反饋的多層級相關推薦

3.2.3 實驗結果與分析

第4章 融合評分矩陣和評論文本的推薦方法

4.1 基於評分數據的矩陣分解模型

4.1.1 傳統的評分矩陣分解模型

4.1.2 鄰域影響的矩陣分解模型

4.1.3 傳統模型實驗結果分析

4.2 融合評分與評論的HFPT及DLMF算法

4.2.1 基於評論主題偏好的HFPT算法

4.2.2 融合用戶偏好與商品特性的DLMF算法

4.2.3 實驗結果與分析

第5章 基於社團聚類的推薦方法

5.1 社團結構以及社團發現算法

5.2 基於用戶偏好聚類的社團發現算法

5.2.1 用戶興趣偏好建模

5.2.2 CDPC算法流程

5.3 基於社團聚類的興趣偏好建模算法

5.3.1 CDCF算法的提出

5.3.2 CDCF算法流程

5.3.3 CDCF算法實驗

5.4 社團聚類與多源數據融合建模的興趣點推薦算法

5.4.1 SoGeoSco建模過程

5.4.2 社團聚類與多源數據融合建模的SoGeoSco模型

第6章 基於用戶行為的混合推薦方法

6.1 基於加權的混合模型

6.1.1 基於SVD的矩陣分解模型

6.1.2 ListWise優化後的矩陣分解模型

6.1.3 基於用戶的協同過濾模型

6.1.4 線性加權混合

6.2 基於Stacking的混合推薦

6.2.1 初級學習器選擇

6.2.2 次級學習器選擇

6.3 實驗設計與結果分析

6.3.1 實驗評價指標

6.3.2 數據集選取與處理

6.3.3 實驗環境

6.3.4 實驗設計與分析

6.3.5 實驗結果對比

第7章 融合隱性特徵的群組用戶推薦方法

7.1 融合隱性特徵的個人推薦算法

7.1.1 個人推薦的常用方法

7.1.2 SVD++推薦算法模型

7.2 融合隱性特徵的群組推薦算法

7.2.1 群組推薦生成方式

7.2.2 群組融合策略

7.2.3 融合隱性特徵的群組推薦算法

7.3 群組推薦實驗分析

7.3.1 數據準備

7.3.2 融合隱性特徵的個人推薦算法實驗

7.3.3 融合隱性特徵的群組推薦算法實驗

第8章 分布式群組推薦方法

8.1 並行架構及算法描述

8.1.1 LUALS-WR算法描述

8.1.2 基於LU分解的特徵向量更新

8.2 分布式矩陣分解模型求解

8.2.1 SGD和

8.2.2 基於MapReduce的分割策略

8.2.3 實驗結果與分析

8.3 Follow社交關係的群組推薦方法

8.3.1 群組推薦方法

8.3.2 偏好融合策略

8.4 實驗結果與分析

8.4.1 實驗數據預處理

8.4.2 實驗方案設計

8.4.3 實驗分析

參考文獻