在线社会网络的用户行为建模与分析

目录
前言
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*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*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