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