新書推薦：
《
无尽的海洋：美国海事探险与大众文化（1815—1860）
》
售價：HK$
102.4
《
治盗之道：清代盗律的古今之辨
》
售價：HK$
125.4
《
甲骨文丛书·剑桥世界暴力史（第一卷）：史前和古代世界（套装全2册）
》
售價：HK$
210.6
《
甲骨文丛书·中华早期帝国：秦汉史的重估
》
售價：HK$
300.2
《
欲望与家庭小说
》
售價：HK$
101.2
《
惜华年（全两册）
》
售價：HK$
72.2
《
甲骨文丛书·古代中国的军事文化
》
售價：HK$
99.7
《
中国王朝内争实录（套装全4册）：从未见过的王朝内争编著史
》
售價：HK$
250.7
|
| 編輯推薦： |
|
本书从单一节点网络上的链路预测研究入手，研究端点间影响相似性的拓扑因素，并进一步基于超图理论和物质扩散理论，将研究结果扩展至对二部图上物品间的链路预测建模，发现物品间的相似性，结合协作技术完成推荐。本书首先介绍基础知识，使得读者对复杂网络有基本的认识，并介绍复杂网络分析工具Pajek；其次介绍一般网络上单一节点间的链路预测研究；接着介绍了二部图上基于链路预测的协作推荐研究；*后进行总结并展望未来的研究方向。本书采用问题描述、理论建模、数据仿真、性能计算的方法介绍各个实例的研究思路，通过作者的研究举例，针对每个研究点介绍研究方法，并给出此项研究的参考文献，同时引导读者思考未来可能的研究思路。通过介绍各个研究案例，可以帮助读者快速进入未来的研究课题。
|
| 內容簡介： |
飞速发展的计算机、互联网和web技术改变了人们的生活，人们在虚拟社区中结交好友、在新闻网站中浏览新闻、在视频网站中观看电影、在虚拟图书馆中查阅书籍、在电商平台中购买物品。但是，人们在享受多彩生活的同时也感受到了信息膨胀带来的烦恼，即人们无法在海量数据中快速有效地找到*相关的信息。电影、书籍、网页等信息的数据量动辄以千万级，这些数据信息的增长速度已经远远超过了人类的自然处理能力。在这种大数据的背景下，用户获取所需信息的代价越来越大，仅仅依靠传统人力的方式已经无法评价和选择这些物品。在这种情况下，有效过滤海量信息的*有吸引力的方法就是个性化推荐技术。它利用用户个人信息，例如用户活动的历史记录，发现用户喜好，然后根据用户喜好进行推荐，例如Amazon.com使用用户的购买历史记录向用户推荐书籍，AdaptiveInfo.com使用用户的阅读历史向用户推荐新闻，还有TiVo数字视频系统根据用户的观看模式和评分记录向用户推荐电视节目。
本研究从单一节点网络上的链路预测研究入手，研究二部图网络上的链路预测，建模物品之间的相似性，结合协作技术完成推荐。首先，介绍一般网络上基于拓扑相似性的链路预测算法研究，进一步分别从路径有效性和端点影响力角度出发，研究端点间相似性模型。其次，应用超图理论和物质扩散理论，将一般网络上的链路预测算法扩展到二部图上，预测物品间相似性，然后基于协作过滤算法，实现物品推荐。*后，本研究给出了进行链路预测研究的一般方法、数据来源、数据处理方法、实验方法以及Matlab实现代码，同时给出了二部图网络上推荐研究的一般方法、数据来源、数据处理方法、实验方法以及Matlab实现代码。以期能帮助大家尽快熟悉，为进一步深入研究做好铺垫。
|
| 關於作者： |
|
朱旭振，男，讲师。2015年毕业于北京邮电大学通信与信息系统专业，获得博士学位。专注于大数据环境下的链路预测、推荐系统以及复杂网络上的传播动力学，主持一项国家自然科学基金项目，并参与多项863项目和国家自然科学基金项目。负责多项数据挖掘和分析项目，发表论文多篇。研究方向：大数据环境下的数据挖掘与传播动力学研究。
|
| 目錄：
|
第1部分基础知识
第1章绪论
11研究背景
111推荐系统的发展现状及特征分析
112推荐系统的国内外研究现状
12相关理论基础
121复杂网络理论基础
122链路预测理论
123基于链路预测的协同推荐理论
13复杂网络下基于链路预测推荐所面临的问题及研究意义
131面临的问题
132研究意义
14研究思路
15本书的主要内容
本章参考文献
第2部分复杂网络上的链路预测方法
第2章网络分析软件Pajek
21Pajek软件介绍
211高速计算
212可视化
213抽象化
22Pajek软件使用基础
23Pajek软件分析网络属性
231度的计算
232两点间的距离
233k近邻
234聚类系数
24Pajek软件抽取极大连通子图
25Pajek软件网络画图
251绘制复杂网络图
252绘制不同类节点的复杂网络图
253绘制不同大小节点的复杂网络图
254绘制不同权值边的复杂网络图
26网络文件net简介
261Pajek网络文件的一般结构
262具体参数的意义和取值
263文件举例
2.7本章小结
本章参考文献
第3章基于相似性的链路预测研究
31链路预测的研究方法
32链路预测的典型研究成果
33链路预测的实验数据
34链路预测的实验方法
341数据集划分方法
342链路预测的度量指标
35链路预测重要代码讲解
351数据集划分代码讲解
352关键测试指标代码讲解
36基于拓扑相似性链路预测的思考
37本章小结
本章参考文献
第4章基于弱关系的链路预测算法
41研究背景
42问题描述
43基于弱关系的优化链路预测模型
431CN算法、AA算法和RA算法介绍
432改进优化算法模型
44实验结果与分析
441数据集
442度量指标
443结果与分析
45本章小结
46研究思考
本章参考文献
第5章基于路径异构性的链路预测算法
51研究背景
52问题描述
53基于路径异构性的链路预测建模
531SP模型
532对比算法
54实验结果与分析
541数据集
542评估准则
543结果与分析
55本章小结
56研究思考
本章参考文献
第6章基于端点影响力的链路预测算法
61研究背景
62问题描述
63基于端点影响力建立链路预测模型
631EP模型
632对比算法
64实验结果与分析
641数据集
642评估准则
643结果与分析
65本章小结
66研究思考
本章参考文献
第3部分基于链路预测的推荐算法研究
第7章推荐模型的研究方法
71推荐模型常见研究方法
72基于链路预测的推荐模型研究方法
73推荐技术的典型研究成果
74推荐技术的研究数据介绍
75推荐实验方法
751数据集划分方法
752推荐算法的度量指标
76推荐算法重要代码讲解
761数据集划分代码讲解
762推荐算法关键指标代码讲解
77基于二部图推荐算法的研究思路
78本章小结
本章参考文献
第8章基于修正相似性的协作推荐算法
81研究背景
82问题描述
83基于修正相似性的推荐算法CSI
831基于二部图网络的经典相似性算法
832相似性修正模型CSI
833对比算法
84实验结果与分析
841数据集
842评价准则
843结果与分析
85本章小结
86研究思考
本章参考文献
第9章基于一致性的协作推荐算法
91研究背景
92问题描述
93基于一致性的推荐算法CBI
931基于网络的因果性推荐算法NBI
932基于一致性的推荐算法CBI和UCBI
933对比算法
94实验结果与分析
941数据集
942评价准则
943结果与分析
95本章小结
96研究思考
本章参考文献
第10章基于一致性冗余删除的协作推荐算法
101研究背景
102问题描述
103修正冗余删除推荐算法
1031相似性估计偏差现象
1032相似性冗余问题
1033修正冗余删除相似性指标CRE
1034对比算法
104实验结果与分析
1041数据集
1042评价准则
1043结果与分析
105本章小结
106研究思考
本章参考文献
第11章一致性下基于惩罚过度扩散的推荐算法
111研究背景
112问题描述
113对称和过度扩散惩罚算法模型
1131非对称扩散问题
1132扩散冗余问题
1133基于对称的过度扩散惩罚模型
1134对比算法
114实验结果与分析
1141数据集
1142评价准则
1143结果与分析
115本章小结
116研究思考
本章参考文献
第4部分总结与未来展望
第12章总结和展望
121总结
122未来研究展望
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
