Web大数据的分析与推荐方法PDF|Epub|txt|kindle电子书版本网盘下载

Web大数据的分析与推荐方法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

第2章 微博大数据分析与推荐方法4

2.1 新浪微话题的媒体特征分析4

2.1.1 微博活跃度4

2.1.2 微话题的演变趋势6

2.1.3 基于LDA的语义抽取9

2.2 基于新鲜方面的Web查询词推荐服务11

2.2.1 查询词推荐流程11

2.2.2 查询词推荐算法12

2.2.3 数据集的选取与数据评估方法13

2.2.4 实验结果与分析14

第3章 Web大数据多层级推荐方法21

3.1 单层级相关推荐21

3.1.1 相关推荐场景及基础算法分析21

3.1.2 基于热度融合的相关推荐24

3.1.3 实验结果与分析32

3.2 多层级相关推荐38

3.2.1 基于资源传播的相关推荐38

3.2.2 基于用户反馈的多层级相关推荐44

3.2.3 实验结果与分析49

第4章 融合评分矩阵和评论文本的推荐方法54

4.1 基于评分数据的矩阵分解模型54

4.1.1 传统的评分矩阵分解模型54

4.1.2 邻域影响的矩阵分解模型56

4.1.3 传统模型实验结果分析57

4.2 融合评分与评论的HFPT及DLMF算法61

4.2.1 基于评论主题偏好的HFPT算法62

4.2.2 融合用户偏好与商品特性的DLMF算法69

4.2.3 实验结果与分析76

第5章 基于社团聚类的推荐方法83

5.1 社团结构以及社团发现算法83

5.2 基于用户偏好聚类的社团发现算法84

5.2.1 用户兴趣偏好建模85

5.2.2 CDPC算法流程85

5.3 基于社团聚类的兴趣偏好建模算法88

5.3.1 CDCF算法的提出88

5.3.2 CDCF算法流程89

5.3.3 CDCF算法实验90

5.4 社团聚类与多源数据融合建模的兴趣点推荐算法92

5.4.1 SoGeoSco建模过程93

5.4.2 社团聚类与多源数据融合建模的SoGeoSco模型98

第6章 基于用户行为的混合推荐方法105

6.1 基于加权的混合模型105

6.1.1 基于SVD的矩阵分解模型105

6.1.2 ListWise优化后的矩阵分解模型107

6.1.3 基于用户的协同过滤模型109

6.1.4 线性加权混合110

6.2 基于Stacking的混合推荐111

6.2.1 初级学习器选择112

6.2.2 次级学习器选择113

6.3 实验设计与结果分析114

6.3.1 实验评价指标114

6.3.2 数据集选取与处理114

6.3.3 实验环境117

6.3.4 实验设计与分析117

6.3.5 实验结果对比123

第7章 融合隐性特征的群组用户推荐方法125

7.1 融合隐性特征的个人推荐算法125

7.1.1 个人推荐的常用方法125

7.1.2 SVD＋＋推荐算法模型128

7.2 融合隐性特征的群组推荐算法131

7.2.1 群组推荐生成方式131

7.2.2 群组融合策略133

7.2.3 融合隐性特征的群组推荐算法135

7.3 群组推荐实验分析137

7.3.1 数据准备137

7.3.2 融合隐性特征的个人推荐算法实验139

7.3.3 融合隐性特征的群组推荐算法实验144

第8章 分布式群组推荐方法150

8.1 并行架构及算法描述150

8.1.1 LUALS-WR算法描述150

8.1.2 基于LU分解的特征向量更新153

8.2 分布式矩阵分解模型求解157

8.2.1 SGD和ALS157

8.2.2 基于MapReduce的分割策略160

8.2.3 实验结果与分析161

8.3 Follow社交关系的群组推荐方法165

8.3.1 群组推荐方法166

8.3.2 偏好融合策略168

8.4 实验结果与分析172

8.4.1 实验数据预处理172

8.4.2 实验方案设计172

8.4.3 实验分析173

参考文献179