第1章 绪论 1
1.1 大数据分析与社会计算 1
1.2 用户在线行为的分析与挖掘 4
1.2.1 在线搜索行为分析 5
1.2.2 在线购物行为分析 6
1.2.3 在线浏览行为分析 6
1.2.4 在线评论意见挖掘 7
1.2.5 基于在线行为的推荐 7
1.2.6 在线标注行为分析 8
1.2.7 社会网络分析与挖掘 9
参考文献 10
第2章 在线搜索行为分析 13
2.1 搜索意图挖掘 13
2.1.1 问题定义 15
2.1.2 单视图关系图构建 16
2.1.3 跨视图关系构建 17
2.1.4 多视图随机游走模型 18
2.1.5 查询相似度衡量 21
2.1.6 多视图随机游走模型与其他模型关系 21
2.1.7 实验 22
2.1.8 相关工作 29
2.1.9 小结 30
2.2 热点事件挖掘 30
2.2.1 种子URL发现方法 33
2.2.2 基于随机游走的局部扩展的事件发现方法 36
2.2.3 基于马尔科夫随机场的局部扩展方法 39
2.2.4 事件侦测 43
2.2.5 案例分析 43
2.2.6 实验分析 45
2.2.7 相关工作 50
2.2.8 小结 51
参考文献 52
第3章 在线购物行为分析 56
3.1 挖掘跨网站购物模式 56
3.1.1 什么是跨网站购物模式 56
3.1.2 跨网站购物模式的无候选集挖掘方法 58
3.1.3 挖掘其他类型的购物模式 62
3.1.4 实验及案例分析 64
3.1.5 相关工作 70
3.2 交易行为模拟 72
3.2.1 数据的层次结构 73
3.2.2 人工层次数据流生成器 75
3.2.3 测试 79
3.2.4 结论 80
参考文献 81
第4章 在线浏览行为周期性分析 84
4.1 周期模式相关工作 84
4.2 基于方差的周期模式 86
4.3 基于方差的周期模式的类型 87
4.4 周期模式的发现方法 89
4.4.1 贪婪分割法 89
4.4.2 准遍历法 91
4.5 预测事件的发生 93
4.6 实验 94
4.6.1 在线浏览行为数据集 95
4.6.2 合成数据 98
4.7 结论 102
参考文献 103
第5章 在线评论意见挖掘 105
5.1 简介 105
5.2 在线评论中特征和意见词的抽取 108
5.2.1 意见词抽取 109
5.2.2 意见词和特征的迭代抽取 110
5.2.3 同义词的识别 111
5.2.4 实验 112
5.2.5 结论 114
5.3 在线评论情感分析 114
5.3.1 相关工作 114
5.3.2 特征意见对极性判断方法 116
5.3.3 实验 117
5.3.4 结论 118
5.4 在线评论意见挖掘系统 118
参考文献 121
第6章 基于在线行为的推荐 124
6.1 已有推荐方法简介 124
6.1.1 基于用户的协同过滤 125
6.1.2 基于产品的协同过滤 127
6.2 基于在线评论的推荐方法 128
6.2.1 餐馆模型 129
6.2.2 用户偏好模型 129
6.2.3 推荐算法 131
6.2.4 实验 132
6.2.5 结论 135
6.3 在线约会朋友推荐 135
6.3.1 问题定义 136
6.3.2 基本预测模型 138
6.3.3 算法BehvPred 141
6.3.4 实验 142
6.3.5 结论 145
参考文献 145
第7章 在线标注行为分析 148
7.1 简介 148
7.2 相关工作 151
7.3 基于随机游走的标签相似度度量 152
7.3.1 随机游走模型 152
7.3.2 基于随机游走理论衡量标签间的相似度 153
7.3.3 算法分析 157
7.4 基于邻居搜索的标签聚类方法 158
7.4.1 聚类算法TagClus 158
7.4.2 时间复杂度分析 160
7.5 实验 162
7.5.1 聚类结果 162
7.5.2 聚类有效性分析 164
7.5.3 TagClus的时间复杂度 172
7.6 结论 173
参考文献 174
第8章 社会网络分析与挖掘 177
8.1 基于链接的相似度的高效计算 177
8.1.1 基于链接的相似度简介 178
8.1.2 相似度的幂律分布 179
8.1.3 算法 183
8.1.4 实验 187
8.1.5 结论 191
8.2 衡量社会网络中对象间的影响概率 191
8.2.1 简介 191
8.2.2 相关工作 193
8.2.3 衡量影响概率的线性模型 193
8.2.4 基于随机游走的算法：InfRank 195
8.2.5 二部图算法Bipartite InfRank 197
8.2.6 星型图算法Star InfRank 199
8.2.7 模型解释 200
8.2.8 实验 202
8.2.9 结论 205
参考文献 205