第1章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 研究内容与结构
1.3 研究目标与关键问题
1.4 技术路线与研究方法
1.5 研究特色与创新点
1.5.1 研究特色
1.5.2 研究创新点
第2章 社会网络环境下信息推荐研究进展
2.1 信息推荐研究发展的总体脉络
2.1.1 信息推荐研究的基本理论
2.1.2 社会化推荐研究的提出
2.2 国外信息推荐研究进展
2.2.1 传统推荐瓶颈与用户关系的作用机制分析
2.2.2 基于关系网络的社会化推荐
2.2.3 基于标签标注的社会化推荐
2.2.4 基于信任关系的社会化推荐
2.2.5 基于关系情境的社会化推荐
2.3 国内信息推荐研究进展
2.3.1 社会化推荐模式分析
2.3.2 传统推荐的“社会化”改进
2.3.3 基于关系网络的社会化推荐
2.3.4 基于社会化标注的推荐
2.4 研究现状评析
第3章 社会化网络服务中的用户关系特征及其演化
3.1 基于用户关系的社会化网络服务发展与构架
3.1.1 社会网络环境下网络服务的社会化发展
3.1.2 基于用户关系的社会化网络服务构架
3.2 社会化网络服务中的用户关系特征与演化
3.2.1 网络服务中的用户关系形成
3.2.2 社会化网络服务中的用户关系结构
3.2.3 社会化网络服务中的用户关系演化
3.3 用户关系网络结构与演化规律的仿真描述
3.3.1 用户关系网络研究的理论基础
3.3.2 用户关系网络的拓扑结构仿真
3.3.3 用户关系扩散的指数规律仿真
3.4 总结
第4章 基于用户关系的信息传播机制与影响作用
4.1 社会网络环境下的信息传播机制
4.1.1 社会网络环境下的信息传播变革
4.1.2 网络信息传播要素
4.1.3 基于用户关系的信息传播及其演化
4.2 社会化网络服务中用户关系与信息传播的关系
4.2.1 微博的信息传播模式
4.2.2 信息传播中的用户关系分类结构
4.2.3 用户关系结构与信息传播的关系
4.3 用户关系对信息传播的影响作用分析
4.3.1 基于用户关系的信息传播调研
4.3.2 基于用户关系的信息传播影响因素分析
4.4 大数据环境下信息传播的新发展
4.4.1 基于大数据的云信息传播
4.4.2 云信息传播模式的推动作用
4.5 总结
第5章推荐系统中基于关系社区发现的用户建模与更新
5.1 推荐服务中的社区关系与用户建模
5.1.1 推荐服务中的用户网络社区关系
5.1.2 基于社区关系的用户建模
5.2 社会网络环境下的用户关系社区发现
5.2.1 复杂网络中的社区发现
5.2.2 基于模块度改进的关系社区发现
5.3 基于关系社区的双层用户建模
5.3.1 基于社区和个体模型加权融合的用户建模
5.3.2 基于主题层次树和语义向量空间模型的用户建模
5.3.3 基于语义向量空间模型的用户需求趋向表示
5.4 用户模型的动态更新
5.4.1 用户模型动态更新方法
5.4.2 用户模型的动态更新实现
5.5 实验分析
5.6 总结
第6章 推荐系统中用户关系导向下的内容语义挖掘与关联
6.1 用户关系导向下的语义关联与内容挖掘
6.1.1 用户关系与需求内容的关联
6.1.2 用户-资源关联组织与内容挖掘
6.2 基于LDA主题模型的信息内容挖掘
6.2.1 信息内容挖掘研究的基本理论与发展
6.2.2 基于概率主题模型的文本挖掘
6.2.3 基于动态LDA主题模型的内容挖掘
6.2.4 基于主题相似度和强度度量的主题演化
6.3 内容挖掘中基于语义向量空间模型的文本建模
6.3.1 基于向量空间模型的文本建模
6.3.2 文本建模中的语义向量空间模型构建
6.3.3 基于语义相似度的文本建模改进
6.4 基于超球支持向量机的文本分类与关联
6.4.1 基于超球支持向量机的文本分类模型
6.4.2 基于改进HS-SVM的文本分类实现
6.4.3 基于语义向量的文本内容关联
6.5 实验分析
6.5.1 LDA主题提取和演化的实验分析
6.5.2 文本分类的实验分析
6.6 总结
第7章 基于用户-资源关联和物理动力学的社会化推荐
7.1 基于用户-资源关联关系的社会化小众推荐服务
7.1.1 社会化推荐服务及用户-资源关联关系
7.1.2 基于小众化的协同过滤推荐改进
7.2 基于物质扩散和用户-资源二部关联图的社会化推荐
7.2.1 用户-资源二部关联图中基于物质扩散的推荐
7.2.2 基于用户-资源二部关联图推荐的社会化改进
7.3 基于热传导和物质扩散混合的社会化小众推荐
7.3.1 基于热传导能量扩散的小众推荐机制
7.3.2 基于热传导和物质扩散混合的推荐实现
7.4 基于用户-资源-词汇三部关联图的社会化小众推荐实现
7.4.1 推荐实现中三部关联图的应用
7.4.2 基于三部关联图的推荐实现
7.5 实验分析
7.5.1 实验数据集处理