社交網(wǎng)絡大數(shù)據(jù)融合：關(guān)聯(lián)用戶挖掘

目錄
前言
第1章 社交網(wǎng)絡大數(shù)據(jù)融合 1
1.1 社交網(wǎng)絡與社交網(wǎng)絡大數(shù)據(jù)融合 1
1.2 社交網(wǎng)絡大數(shù)據(jù)融合的核心問題 3
1.3 社交網(wǎng)絡大數(shù)據(jù)融合的主要挑戰(zhàn) 4
1.4 本書主要內(nèi)容 5
第2章 關(guān)聯(lián)用戶挖掘定義 7
2.1 基本術(shù)語定義 7
2.2 關(guān)聯(lián)用戶挖掘問題定義 9
2.3 社交網(wǎng)絡重疊性 10
2.4 本章小結(jié) 12
第3章 關(guān)聯(lián)用戶挖掘總體研究框架 13
3.1 引言 13
3.2 關(guān)聯(lián)用戶挖掘總體框架 14
3.2.1 關(guān)聯(lián)用戶特征提取 14
3.2.2 關(guān)聯(lián)用戶識別模型 16
3.3 關(guān)聯(lián)用戶挖掘研究綜述 19
3.3.1 基于用戶屬性的關(guān)聯(lián)用戶挖掘 19
3.3.2 基于用戶關(guān)系的關(guān)聯(lián)用戶挖掘 23
3.3.3 綜合用戶屬性和用戶關(guān)系的關(guān)聯(lián)用戶挖掘 28
3.4 關(guān)聯(lián)用戶識別性能評估 30
3.4.1 數(shù)據(jù)集 30
3.4.2 評價指標 31
3.5 本章小結(jié) 31
第4章 基于好友關(guān)系的半監(jiān)督關(guān)聯(lián)用戶挖掘 33
4.1 引言 33
4.2 相關(guān)工作 34
4.3 總體識別框架 36
4.3.1 基本設想 36
4.3.2 算法總體框架 37
4.4 先驗關(guān)聯(lián)用戶集合識別模型 38
4.5 關(guān)聯(lián)用戶識別模型 39
4.5.1 方法論 39
4.5.2 算法 42
4.6 理論分析 45
4.6.1 隨機網(wǎng)絡模型理論分析 45
4.6.2 無標度網(wǎng)絡模型理論分析 47
4.7 實驗分析 52
4.7.1 人工數(shù)據(jù)集實驗 53
4.7.2 真實數(shù)據(jù)集實驗 58
4.8 在知識管理中的應用 63
4.9 本章小結(jié) 64
第5章 基于好友關(guān)系的無監(jiān)督關(guān)聯(lián)用戶挖掘 66
5.1 引言 66
5.2 相關(guān)工作 68
5.3 基本設想 69
5.4 好友特征向量模型 71
5.4.1 正例抽樣模型 72
5.4.2 好友特征向量學習模型 72
5.5 基于好友特征向量的關(guān)聯(lián)用戶識別模型 76
5.6 理論分析 78
5.7 實驗分析 79
5.7.1 人工數(shù)據(jù)集實驗 80
5.7.2 算法超參分析 85
5.7.3 真實數(shù)據(jù)集實驗 88
5.8 在知識管理的應用 92
5.9 本章小結(jié) 93
第6章 綜合用戶屬性和用戶關(guān)系的關(guān)聯(lián)用戶挖掘 94
6.1 引言 94
6.2 面向關(guān)聯(lián)用戶挖掘的用戶屬性效用評價體系 95
6.3 綜合用戶屬性和用戶關(guān)系的關(guān)聯(lián)用戶挖掘模型和方法研究 96
6.3.1 屬性相似度計算模型 96
6.3.2 屬性相似度融合 97
6.3.3 用戶關(guān)系融合建模 98
6.3.4 用戶屬性和用戶關(guān)系的一致性建模 99
6.3.5 關(guān)聯(lián)用戶挖掘方法 99
6.4 關(guān)聯(lián)用戶挖掘模型的逼近近似求解和并行計算方法 100
6.4.1 逼近近似求解 100
6.4.2 并行實現(xiàn) 100
6.5 本章小結(jié) 101
第7章 總結(jié)與展望 102
7.1 總結(jié) 102
7.2 展望 103
參考文獻 106