社會媒體挖掘

第1 章 引言 1
1.1 什么是社會媒體挖掘 1
1.2 挖掘領(lǐng)域的新挑戰(zhàn) 2
1.3 本書概覽和讀者指南 3
1.4 小結(jié) 5
1.5 參考文獻(xiàn)及注釋 5
1.6 習(xí)題 6
**部分 基礎(chǔ)知識
第2 章 圖的基本要素 10
2.1 圖的基礎(chǔ)知識 11
2.1.1 結(jié)點 11
2.1.2 邊 11
2.1.3 度和度的分布 12
2.2 圖的表示 14
2.2.1 鄰接矩陣 14
2.2.2 鄰接表 15
2.2.3 邊列表 15
2.3 圖的類型 16
2.4 圖的連通性 17
2.5 特殊圖 21
2.5.1 樹和森林 21
2.5.2 特殊子圖 21
2.5.3 完全圖 23
2.5.4 平面圖 23
2.5.5 二分圖 23
2.5.6 正則圖 24
2.5.7 橋 25
2.6 圖算法 25
2.6.1 圖/樹的遍歷 25
2.6.2 *短路徑算法 27
2.6.3 *小生成樹 29
2.6.4 網(wǎng)絡(luò)流算法 31
2.6.5 二分圖**匹配 34
2.6.6 橋檢測 35
2.7 小結(jié) 36
2.8 參考文獻(xiàn)及注釋 37
2.9 習(xí)題 37
第3 章 網(wǎng)絡(luò)度量 40
3.1 中心性 40
3.1.1 度中心性 40
3.1.2 特征向量中心性 42
3.1.3 Katz 中心性 44
3.1.4 PageRank 46
3.1.5 中間中心性 47
3.1.6 接近中心性 48
3.1.7 群體中心性 50
3.2 傳遞性與相互性 51
3.2.1 傳遞性 51
3.2.2 相互性 53
3.3 平衡和地位 55
3.4 相似度 57
3.4.1 結(jié)構(gòu)等價性 57
3.4.2 規(guī)則等價性 59
3.5 小結(jié) 61
3.6 參考文獻(xiàn)及注釋 61
3.7 習(xí)題 62
第4 章 網(wǎng)絡(luò)模型 64
4.1 真實世界網(wǎng)絡(luò)的屬性 64
4.1.1 度分布 65
4.1.2 聚類系數(shù) 66
4.1.3 平均路徑長度 67
4.2 隨機(jī)圖模型 67
4.2.1 隨機(jī)圖的演變 69
4.2.2 隨機(jī)圖的屬性 71
4.2.3 基于隨機(jī)圖的真實世界網(wǎng)絡(luò)
建模 73
4.3 小世界模型 73
4.3.1 小世界模型的屬性 75
4.3.2 基于小世界模型對真實世界
網(wǎng)絡(luò)建模 77
4.4 優(yōu)先鏈接模型 77
4.4.1 優(yōu)先鏈接模型的屬性 78
4.4.2 基于優(yōu)先鏈接模型對真實世界
網(wǎng)絡(luò)進(jìn)行建模 80
4.5 小結(jié) 80
4.6 參考文獻(xiàn)及注釋 81
4.7 習(xí)題 81
第5 章 數(shù)據(jù)挖掘的基本要素 83
5.1 數(shù)據(jù) 84
5.2 數(shù)據(jù)預(yù)處理 87
5.3 數(shù)據(jù)挖掘算法 89
5.4 監(jiān)督學(xué)習(xí) 89
5.4.1 決策樹 90
5.4.2 樸素貝葉斯分類器 92
5.4.3 *近鄰分類器 93
5.4.4 利用社交信息輔助分類 94
5.4.5 回歸 96
5.4.6 監(jiān)督學(xué)習(xí)評估 99
5.5 無監(jiān)督學(xué)習(xí) 99
5.5.1 聚類算法 100
5.5.2 無監(jiān)督學(xué)習(xí)的評估 102
5.6 小結(jié) 104
5.7 參考文獻(xiàn)及注釋 105
5.8 習(xí)題 106
第二部分 社區(qū)和交互
第6 章 社區(qū)分析 110
6.1 社區(qū)發(fā)現(xiàn) 112
6.1.1 社區(qū)發(fā)現(xiàn)算法 113
6.1.2 基于成員的社區(qū)發(fā)現(xiàn) 114
6.1.3 基于群組的社區(qū)發(fā)現(xiàn) 119
6.2 社區(qū)演變 126
6.2.1 網(wǎng)絡(luò)是如何演變的 126
6.2.2 演變網(wǎng)絡(luò)中的社區(qū)發(fā)現(xiàn) 129
6.3 社區(qū)評價 131
6.3.1 存在真實答案時的評價 131
6.3.2 無真實答案的評價 134
6.4 小結(jié) 135
6.5 參考文獻(xiàn)及注釋 136
6.6 習(xí)題 137
第7 章 社會媒體中的信息傳播 139
7.1 羊群效應(yīng) 140
7.1.1 羊群效應(yīng)的貝葉斯建模 142
7.1.2 干預(yù) 144
7.2 信息級聯(lián) 145
7.2.1 獨立級聯(lián)模型 145
7.2.2 級聯(lián)范圍**化 147
7.2.3 干預(yù) 149
7.3 社交網(wǎng)絡(luò)中的創(chuàng)新擴(kuò)散 149
7.3.1 創(chuàng)新的特征 150
7.3.2 創(chuàng)新擴(kuò)散模型 150
7.3.3 創(chuàng)新擴(kuò)散過程建模 152
7.3.4 干預(yù) 155
7.4 流行病模型 155
7.4.1 定義 156
7.4.2 SI 模型 156
7.4.3 SIR 模型 158
7.4.4 SIS 模型 159
7.4.5 SIRS 模型 160
7.4.6 干預(yù) 161
7.5 小結(jié) 161
7.6 參考文獻(xiàn)及注釋 162
7.7 習(xí)題 163
第三部分 應(yīng)用
第8 章 影響力和同質(zhì)性 166
8.1 度量同配性 167
8.1.1 度量符號屬性的同配性 167
8.1.2 度量序數(shù)屬性的同配性 170
8.2 影響力 172
8.2.1 度量影響力 172
8.2.2 影響力建模 175
8.3 同質(zhì)性 179
8.3.1 度量同質(zhì)性 179
8.3.2 同質(zhì)性建模 179
8.4 區(qū)分影響力和同質(zhì)性 180
8.4.1 洗牌測試 180
8.4.2 邊緣反轉(zhuǎn)測試 181
8.4.3 隨機(jī)化測試 181
8.5 小結(jié) 184
8.6 參考文獻(xiàn)及注釋 184
8.7 習(xí)題 185
第9 章 社會媒體中的推薦 187
9.1 挑戰(zhàn) 188
9.2 經(jīng)典的推薦算法 188
9.2.1 基于內(nèi)容的算法 189
9.2.2 協(xié)同過濾 189
9.2.3 將個人推薦推廣到群體推薦 195
9.3 基于社會背景知識的推薦系統(tǒng) 197
9.3.1 單獨使用社會背景知識 198
9.3.2 基于社會背景知識的經(jīng)典算法
擴(kuò)展 198
9.3.3 社會背景知識受限的推薦 200
9.4 推薦系統(tǒng)評價 202
9.4.1 評估預(yù)測的準(zhǔn)確率 202
9.4.2 評估推薦的相關(guān)性 203
9.4.3 評估推薦的排序 204
9.5 小結(jié) 205
9.6 參考文獻(xiàn)及注釋 206
9.7 習(xí)題 207
第10 章 行為分析 208
10.1 個體行為 208
10.1.1 個體行為分析 209
10.1.2 個體行為建模 213
10.1.3 個體行為預(yù)測 214
10.2 群體行為 217
10.2.1 群體行為分析 217
10.2.2 群體行為建模 221
10.2.3 群體行為預(yù)測221
10.3 小結(jié) 222
10.4 參考文獻(xiàn)及注釋 223
10.5 習(xí)題 224
參考文獻(xiàn) 225