6.3.4 生成匹配文档
6.4 web文本关联规则获取与匹配
6.4.1 基于关联规则的频繁web特征词条集
6.4.2 生成匹配文档
第7章 整合web语义知识的个性化信息推荐方法
7.1 整合web语义知识的个性化信息推荐概述
7.1.1 整合web语义知识的个性化信息推荐框架
7.1.2 整合web语义知识的个性化信息推荐方法的优势
7.2 本体的基本理论
7.2.1 本体的概念与特点
7.2.2 本体的分类
7.2.3 本体的建模元语
7.2.4 本体的表示方法
7.3 web领域本体的构建
7.3.1 本体构建的一般方法
7.3.2 web领域本体的构建过程
7.4 基于web领域本体的个性化信息推荐方法
7.4.1 导出语义层次的web使用文档
7.4.2 生成个性化推荐web页面集
第8章 基于社会化标签的web用户兴趣建模
8.1 社会化标签概述
8.1.1 社会化标签的起源
8.1.2 社会化标签系统模型
8.1.3 社会化标签系统的特点与不足
8.2 基于社会化标签聚类的web用户兴趣模型
8.2.1 基于社会化标签的向量空间模型
8.2.2 基于密度聚类的web用户兴趣模型
8.2.3 实验分析
8.3 基于社会化标签网络的web用户兴趣模型
8.3.1 社会网络分析概述
8.3.2 web用户的社会化标签网络模型
8.3.3 基于sna的社会化标签网络分析
8.3.4 web用户兴趣建模与个性化信息推荐
第9章 语用层次的web用户效用函数构建
9.1 引言
9.1.1 语用层次的个性化信息推荐方法的核心问题
9.1.2 面向此次web站点访问的web用户效用函数构建方法
9.2 基于用户反馈的效用函数
9.2.1 用户反馈
9.2.2 基于用户显式反馈的效用函数
9.2.3 基于用户隐式反馈的效用函数
9.3 基于贝叶斯网络学习机制的效用函数构建
9.3.1 贝叶斯网络
9.3.2 基于一般web用户效用函数的先验贝叶斯网络构建
9.3.3 基于一般web用户效用函数的贝叶斯网络学习
参考文献
后记

基于Web挖掘的个性化信息推荐 节选

基于Web挖掘的个性化信息推荐是解决当前互联网“信息过载”问题的重要手段之一。《基于Web挖掘的个性化信息推荐》在继承国内外相关研究成果的基础上，建立了基于Web挖掘的个性化信息推荐模型，并构建了语法层次、语义层次和语用层次的个性化信息推荐方法体系。然后，从语法层次的角度，利用Web使用挖掘方法研究了Web用户偏好分析与推荐问题，并借鉴复杂网络中的社团结构划分方法，提出了基于网络书签的个性化信息推荐方法；从语义层次的角度，提出了基于Web文本挖掘的推荐规则获取与匹配方法，分析了基于Web领域本体的个性化信息推荐方法，研究了基于社会化标签的Web用户兴趣建模方法；从语用层次的角度，利用用户反馈和贝叶斯网络理论讨论了Web用户效用函数的构建方法。《基于Web挖掘的个性化信息推荐》内容丰富、应用性强，可供信息管理、计算机应用等领域从事相关研究的专家学者、工程技术人员及高等院校相关专业教师、研究生参考使用。

基于Web挖掘的个性化信息推荐 相关资料

插图：美国未来学家奈斯比特说过：我们在信息海洋中淹溺，但却不得不面临知识饥渴。这形象地描绘了目前人们在互联网时代所处的困境：一方面是日益泛滥的信息，另一方面却是有用知识的缺失。由此，Web用户获取信息的机会成本不断上升，迫切需要从这些纷繁芜杂的信息中找到有用知识的工具。鉴于数据挖掘的日益成熟和完善，人们自然而然想到要把数据挖掘技术应用到Web上来，即将数据挖掘的思想和方法应用于Web，利用Web挖掘从Web文档和Web活动中提取感兴趣的、潜在的、有用的模式和隐含信息。Web信息的多样性决定了Web挖掘的多样性。根据处理对象的不同，可以将Web挖掘分为三类：Web内容挖掘、Web结构挖掘和Web使用挖掘。Web内容挖掘是指从Web文件的内容及其描述中获取有用信息的过程，可以用于Web页面特征提取、基于内容的Web页面聚类、Web页面之间内容的关联规则发现等；Web结构挖掘是从WWW的组织结构和链接结构中发现知识的过程，可用于Web页面分类，并由此获得有关不同Web页面之间相似度及关联度的信息，并有助于发现权威Web站点；Web使用挖掘是从Web站点服务器日志中发现有用知识和模式的过程。Web站点服务器日志记录了Web用户的行为轨迹，分析这些数据可以帮助理解Web用户的行为，从而提供个性化信息服务。3.Web挖掘的复杂性分析相对于面向数据库的数据挖掘而言，面向Web的数据挖掘要复杂得多，主要表现在以下三个方面。1）Web用户的复杂性。相对传统的数据库应用系统而言Web信息系统面对的是一个广泛的、形形色色的Web用户群体，几乎覆盖了社会的各个领域和阶层。然而，每个Web用户可能有不同的背景、兴趣和目的，他们往往对需要挖掘的主题只有一个粗浅的认识，提不出明确的目标。这就需要Web挖掘具有较强的智能性，不断跟踪Web用户的兴趣，简单明了地提供挖掘结果。2）半结构化的数据源。每个Web站点都是异构的数据源，使得整个互联网可以看做一个巨大的异构数据库环境。针对这种数据集合进行数据挖掘，首先必须解决Web站点之间异构数据的集成问题。此外，还要解决Web上的数据查询问题，否则对这些数据进行分析、集成、处理就无从谈起。由此，就需要定义一个半结构化数据模型，并借助半结构化模型提取技术，自动从现有数据中提取半结构化模型（刘智等，2001）。

 2/3   首页 上一页 1 2 3 下一页 尾页

管理 管理信息系统

在线阅读