基于Web挖掘的个性化信息推荐PDF格式文档图书下载

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

查看更多关于基于Web挖掘的个性化信息推荐的内容