基于Web挖掘的个性化信息推荐2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

基于Web挖掘的个性化信息推荐PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 本书研究背景1

1.2 本书研究目的与意义2

1.2.1 本书研究目的2

1.2.2 本书研究意义3

1.3 国内外研究现状4

1.3.1 Web挖掘研究现状4

1.3.2 个性化信息推荐研究现状11

1.4 本书研究内容与方法18

1.4.1 本书研究内容18

1.4.2 本书的研究方法20

第2章 研究对象及问题界定22

2.1 数据挖掘与Web挖掘22

2.1.1 数据挖掘22

2.1.2 Web挖掘27

2.2 个性化与个性化信息推荐30

2.2.1 个性化相关概念30

2.2.2 个性化信息推荐32

2.3 基于Web挖掘的个性化信息推荐流程35

2.3.1 数据输入36

2.3.2 数据预处理37

2.3.3 模式分析37

2.3.4 在线推荐37

第3章 基于Web挖掘的个性化信息推荐机理39

3.1 全信息理论与信息过程模型39

3.1.1 全信息理论39

3.1.2 信息过程模型40

3.2 基于全信息的“点击流”信息运动过程模型41

3.2.1 “点击流”的含义41

3.2.2 “点击流”信息的层次41

3.2.3 “点击流”信息运动过程模型42

3.3 “点击流”信息运动视角的个性化信息推荐模型44

3.3.1 “点击流”信息获取——捕获Web用户点击行为44

3.3.2 “点击流”信息认知——提取Web用户点击行为模式47

3.3.3 “点击流”信息再生——产生个性化信息推荐策略50

3.3.4 “点击流”信息施效——实施个性化信息推荐策略51

3.4 基于Web挖掘的个性化信息推荐的方法体系52

3.4.1 语法层次的个性化信息推荐方法53

3.4.2 语义层次的个性化信息推荐方法53

3.4.3 语用层次的个性化信息推荐方法54

第4章 语法层次的Web用户偏好分析与推荐55

4.1 语法层次的Web用户偏好分析与推荐框架55

4.2 Web交易事务集的提取56

4.2.1 数据过滤56

4.2.2 用户识别57

4.2.3 会话识别60

4.2.4 路径补充61

4.3 基于Web交易事务聚类的Web用户偏好分析63

4.3.1 交易事务的表示63

4.3.2 交易事务聚类64

4.3.3 导出Web使用文档66

4.3.4 生成Web用户偏好页面集67

4.4 基于频繁Web页面集的Web用户偏好视图68

4.4.1 提取频繁Web页面集68

4.4.2 生成Web用户偏好视图72

第5章 基于网络书签的个性化信息推荐方法75

5.1 Web2.0与网络书签75

5.1.1 Web2.0概述75

5.1.2 网络书签概述79

5.2 基于网络书签的社团结构划分80

5.2.1 社团结构的定义80

5.2.2 网络书签系统模型81

5.2.3 基于CPM算法的社团结构划分82

5.2.4 实验分析84

5.3 网络书签系统中基于社团结构的个性化信息推荐85

5.3.1 社团内基于协作过滤的个性化信息推荐87

5.3.2 社团间基于“信息桥”的个性化信息推荐88

5.3.3 实验分析89

第6章 语义层次的基于Web文本挖掘的推荐规则获取与匹配93

6.1 基于Web文本挖掘的推荐规则获取与匹配模型93

6.2 基于向量空间模型的Web文本表示95

6.2.1 Web页面的净化95

6.2.2 Web文本特征粒度的选择96

6.2.3 Web文本特征的提取96

6.2.4 Web文本特征的选择98

6.3 基于Web特征词条聚类的文本挖掘103

6.3.1 交易事务的特征词条表示103

6.3.2 基于特征词条的交易事务聚类104

6.3.3 导出Web文本文档105

6.3.4 生成匹配文档106

6.4 Web文本关联规则获取与匹配107

6.4.1 基于关联规则的频繁Web特征词条集107

6.4.2 生成匹配文档108

第7章 整合Web语义知识的个性化信息推荐方法111

7.1 整合Web语义知识的个性化信息推荐概述111

7.1.1 整合Web语义知识的个性化信息推荐框架111

7.1.2 整合Web语义知识的个性化信息推荐方法的优势113

7.2 本体的基本理论114

7.2.1 本体的概念与特点115

7.2.2 本体的分类116

7.2.3 本体的建模元语117

7.2.4 本体的表示方法118

7.3 Web领域本体的构建120

7.3.1 本体构建的一般方法120

7.3.2 Web领域本体的构建过程126

7.4 基于Web领域本体的个性化信息推荐方法131

7.4.1 导出语义层次的Web使用文档131

7.4.2 生成个性化推荐Web页面集134

第8章 基于社会化标签的Web用户兴趣建模136

8.1 社会化标签概述136

8.1.1 社会化标签的起源136

8.1.2 社会化标签系统模型136

8.1.3 社会化标签系统的特点与不足138

8.2 基于社会化标签聚类的Web用户兴趣模型139

8.2.1 基于社会化标签的向量空间模型140

8.2.2 基于密度聚类的Web用户兴趣模型141

8.2.3 实验分析143

8.3 基于社会化标签网络的Web用户兴趣模型148

8.3.1 社会网络分析概述148

8.3.2 Web用户的社会化标签网络模型149

8.3.3 基于SNA的社会化标签网络分析151

8.3.4 Web用户兴趣建模与个性化信息推荐155

第9章 语用层次的Web用户效用函数构建160

9.1 引言160

9.1.1 语用层次的个性化信息推荐方法的核心问题160

9.1.2 面向此次Web站点访问的Web用户效用函数构建方法161

9.2 基于用户反馈的效用函数162

9.2.1 用户反馈162

9.2.2 基于用户显式反馈的效用函数164

9.2.3 基于用户隐式反馈的效用函数165

9.3 基于贝叶斯网络学习机制的效用函数构建168

9.3.1 贝叶斯网络168

9.3.2 基于一般Web用户效用函数的先验贝叶斯网络构建170

9.3.3 基于一般Web用户效用函数的贝叶斯网络学习172

参考文献174

后记185