在线社会网络的用户行为建模与分析2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

在线社会网络的用户行为建模与分析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 在线社会系统1

1.1在线社会网络1

1.1.1社交网络中的基本概念2

1.1.2社交网络的理论基础3

1.1.3社交网络的国内外发展状况6

1.1.4社交网络的优势和劣势7

1.2个性化推荐系统的蓬勃发展8

1.2.1产生背景8

1.2.2个性化推荐系统的应用发展10

1.2.3研究意义19

参考文献22

第2章 超网络模型的构建及其应用25

2.1超网络相关研究25

2.1.1超网络的基本概念25

2.1.2超网络的研究概述25

2.1.3超网络研究存在的问题27

2.2知识传播相关研究28

2.2.1知识的基本概念28

2.2.2知识传播的研究概述31

2.2.3知识传播研究存在的问题32

2.3科研合作超网络模型的建立与分析32

2.3.1已有的两种超网络演化模型32

2.3.2 LWH超网络模型的建立35

2.3.3 LWH超网络拓扑特性的分析36

2.4科研合作超网络上的知识传播研究44

2.4.1知识传播模型44

2.4.2知识传播模型的参数设置及评价指标47

2.4.3结果分析48

2.5科研合作超网络上的知识创造研究51

2.5.1知识创造超网络模型的建立52

2.5.2数值模拟55

2.6小结59

参考文献60

第3章 用户行为模式分析65

3.1用户行为在个性化推荐算法中的重要地位65

3.2用户行为模式分析65

3.2.1基于集聚系数的度量方法66

3.2.2基于信息熵度量用户兴趣的多样性70

3.2.3在线打分的记忆效应75

3.3微博中基于用户结构的信息传播分析81

3.3.1微博网络的相关机制81

3.3.2突发事件的信息传播分析82

3.4 Facebook中个人中心网络的统计特性分析87

3.4.1模型的建立88

3.4.2数据描述90

3.4.3实证统计91

3.4.4随机模型的运用94

3.5社会影响对用户选择行为的影响96

3.5.1社会影响与用户偏好网络模型建立及其结构特性96

3.5.2网络数据分析103

3.5.3数值模拟107

参考文献110

第4章 网络中的节点重要性度量113

4.1网络中节点重要性排序的研究进展113

4.1.1基于网络结构的节点重要性排序方法114

4.1.2基于传播动力学的节点重要性排序方法124

4.2复杂网络中最小k-核节点的传播能力分析125

4.2.1理论基础与方法126

4.2.2数值仿真与结果分析128

4.3基于k-核与距离的节点传播影响力排序方法研究131

4.3.1基于k-核与距离的节点传播影响力排序度量方法132

4.3.2实验数据及相关参数132

4.3.3数值仿真与结果分析133

4.4基于度与集聚系数的网络节点重要性度量方法研究137

4.4.1理论基础与方法138

4.4.2实例验证141

参考文献143

第5章 个性化推荐系统的相关理论概念148

5.1二部分网络148

5.2个性化推荐算法152

5.2.1基于协同过滤算法的推荐系统152

5.2.2基于内容的推荐系统152

5.2.3基于网络结构的推荐系统153

5.2.4基于混合推荐算法的推荐系统153

5.2.5其他推荐算法153

5.3常用数据集154

5.3.1 MovieLens数据集154

5.3.2 Netflix数据集155

5.3.3 Delicious数据集155

5.3.4 Amazon数据集155

5.4评价指标157

5.4.1推荐的准确度158

5.4.2被推荐产品的流行性159

5.4.3推荐产品的多样性159

5.4.4分类准确度、准确率与召回率160

5.4.5 F度量160

5.4.6新颖性161

5.5相似性161

5.5.1基于打分的相似性161

5.5.2结构相似性162

5.6小结165

参考文献167

第6章 协同过滤推荐系统的算法研究170

6.1协同过滤推荐算法170

6.1.1基于用户的协同过滤推荐算法170

6.1.2基于产品的协同过滤推荐算法172

6.2用户关联网络对协同过滤推荐算法的影响研究174

6.2.1用户关联网络简介174

6.2.2用户关联网络统计属性175

6.2.3基于用户关联网络的协同过滤推荐算法178

6.3考虑负相关性信息的协同过滤推荐算法研究180

6.3.1算法介绍181

6.3.2实验结果分析182

6.4集聚系数对协同过滤推荐算法的影响研究185

6.4.1产品集聚系数对协同过滤推荐算法的影响研究185

6.4.2用户集聚系数对协同过滤推荐算法的影响研究186

6.4.3数值结果分析187

6.5基于Sigmoid权重相似度的协同过滤推荐算法190

6.5.1基于Sigmoid权重相似度的协同过滤推荐算法190

6.5.2实验过程及结果分析193

参考文献195

第7章 基于网络结构的推荐算法研究197

7.1基于热传导的推荐算法197

7.2二部分图中局部信息对热传导推荐算法的影响研究198

7.2.1 HC数值模拟结果199

7.2.2改进的HC数值模拟结果200

7.3基于物质扩散过程的推荐算法202

7.4基于物质扩散过程的协同过滤推荐算法204

7.4.1基于物质扩散过程的二阶协同过滤推荐算法205

7.4.2算法的数值实验结果205

7.5考虑用户喜好的物质扩散推荐算法207

7.6产品之间的高阶相关性对基于网络结构推荐算法的影响209

7.6.1基于网络结构的推荐算法210

7.6.2通过去除重复性的改进的算法211

7.6.3实验数据结果213

7.7有向相似性对协同过滤推荐系统的影响215

7.7.1用户相似性的方向性对CF算法的影响216

7.7.2基于最大相似性的CF算法218

7.7.3数值结果分析219

7.8二阶有向相似性对协同过滤推荐算法的影响225

7.8.1改进的算法228

7.8.2实验结果分析229

7.9时间窗口对热传导推荐模型的影响研究233

7.9.1基于局部信息的用户相似性指标233

7.9.2实证结果分析234

7.10考虑负面评价的个性化推荐算法研究239

7.10.1基于物质扩散模型239

7.10.2基于热传导模型245

7.11一种改进的混合推荐算法研究250

7.11.1模型与方法250

7.11.2实证结果分析251

参考文献254

第8章 基于内容的推荐算法研究256

参考文献259

第9章 混合推荐算法研究260

参考文献261