社會媒體挖掘

定　價：￥59.00

作　者：	（美）扎法拉尼（Reza Zafarani）（美）阿巴西（Mohammad Ali Abbasi）（美）劉（Huan Liu）
出版社：	人民郵電出版社
叢編項：
標　簽：	計算機/網(wǎng)絡數(shù)據(jù)倉庫與數(shù)據(jù)挖掘數(shù)據(jù)庫

購買這本書可以去

ISBN：	9787115406392	出版時間：	2015-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	241	字數(shù)：

內(nèi)容簡介

　　本書集成了近年來社會媒體、社會網(wǎng)絡分析以及數(shù)據(jù)挖掘的前沿成果，為學生、從業(yè)者、研究人員和項目經(jīng)理提供了一個方便的平臺，以便理解社會媒體挖掘的基礎知識和潛能。本書介紹了社會媒體數(shù)據(jù)的問題，并闡述了網(wǎng)絡分析和數(shù)據(jù)挖掘的基本概念、新問題以及有效的算法。

作者簡介

　　Reza Zafarani 雪城大學助理教授，曾為亞利桑那州立大學計算機科學與工程專業(yè)助理研究員。研究方向為社會媒體挖掘、機器學習、社會網(wǎng)絡分析和社會計算。研究重點是大規(guī)模用戶行為分析，以及跨社會媒體網(wǎng)站的信息整合和建模。Mohammad Ali Abbasi 亞利桑那州立大學計算機科學與工程專業(yè)助理研究員。研究方向為文本分析、信息檢索、數(shù)據(jù)挖掘、機器學習和社會計算。研究重點是用戶歸檔、用戶可信度評估、推薦系統(tǒng)、社會網(wǎng)絡分析，以及社會媒體在現(xiàn)實世界的應用。Huan Liu（劉歡）亞利桑那州立大學計算機科學與工程專業(yè)教授，在教學和科研領(lǐng)域都取得了公認的優(yōu)異成績。研究方向為數(shù)據(jù)挖掘、機器學習、社會計算、人工智能，以及真實數(shù)據(jù)密集型應用的問題。

圖書目錄

第1 章引言 1
1.1 什么是社會媒體挖掘 1
1.2 挖掘領(lǐng)域的新挑戰(zhàn) 2
1.3 本書概覽和讀者指南 3
1.4 小結(jié) 5
1.5 參考文獻及注釋 5
1.6 習題 6
**部分基礎知識
第2 章圖的基本要素 10
2.1 圖的基礎知識 11
2.1.1 結(jié)點 11
2.1.2 邊 11
2.1.3 度和度的分布 12
2.2 圖的表示 14
2.2.1 鄰接矩陣 14
2.2.2 鄰接表 15
2.2.3 邊列表 15
2.3 圖的類型 16
2.4 圖的連通性 17
2.5 特殊圖 21
2.5.1 樹和森林 21
2.5.2 特殊子圖 21
2.5.3 完全圖 23
2.5.4 平面圖 23
2.5.5 二分圖 23
2.5.6 正則圖 24
2.5.7 橋 25
2.6 圖算法 25
2.6.1 圖/樹的遍歷 25
2.6.2 *短路徑算法 27
2.6.3 *小生成樹 29
2.6.4 網(wǎng)絡流算法 31
2.6.5 二分圖**匹配 34
2.6.6 橋檢測 35
2.7 小結(jié) 36
2.8 參考文獻及注釋 37
2.9 習題 37
第3 章網(wǎng)絡度量 40
3.1 中心性 40
3.1.1 度中心性 40
3.1.2 特征向量中心性 42
3.1.3 Katz 中心性 44
3.1.4 PageRank 46
3.1.5 中間中心性 47
3.1.6 接近中心性 48
3.1.7 群體中心性 50
3.2 傳遞性與相互性 51
3.2.1 傳遞性 51
3.2.2 相互性 53
3.3 平衡和地位 55
3.4 相似度 57
3.4.1 結(jié)構(gòu)等價性 57
3.4.2 規(guī)則等價性 59
3.5 小結(jié) 61
3.6 參考文獻及注釋 61
3.7 習題 62
第4 章網(wǎng)絡模型 64
4.1 真實世界網(wǎng)絡的屬性 64
4.1.1 度分布 65
4.1.2 聚類系數(shù) 66
4.1.3 平均路徑長度 67
4.2 隨機圖模型 67
4.2.1 隨機圖的演變 69
4.2.2 隨機圖的屬性 71
4.2.3 基于隨機圖的真實世界網(wǎng)絡
建模 73
4.3 小世界模型 73
4.3.1 小世界模型的屬性 75
4.3.2 基于小世界模型對真實世界
網(wǎng)絡建模 77
4.4 優(yōu)先鏈接模型 77
4.4.1 優(yōu)先鏈接模型的屬性 78
4.4.2 基于優(yōu)先鏈接模型對真實世界
網(wǎng)絡進行建模 80
4.5 小結(jié) 80
4.6 參考文獻及注釋 81
4.7 習題 81
第5 章數(shù)據(jù)挖掘的基本要素 83
5.1 數(shù)據(jù) 84
5.2 數(shù)據(jù)預處理 87
5.3 數(shù)據(jù)挖掘算法 89
5.4 監(jiān)督學習 89
5.4.1 決策樹 90
5.4.2 樸素貝葉斯分類器 92
5.4.3 *近鄰分類器 93
5.4.4 利用社交信息輔助分類 94
5.4.5 回歸 96
5.4.6 監(jiān)督學習評估 99
5.5 無監(jiān)督學習 99
5.5.1 聚類算法 100
5.5.2 無監(jiān)督學習的評估 102
5.6 小結(jié) 104
5.7 參考文獻及注釋 105
5.8 習題 106
第二部分社區(qū)和交互
第6 章社區(qū)分析 110
6.1 社區(qū)發(fā)現(xiàn) 112
6.1.1 社區(qū)發(fā)現(xiàn)算法 113
6.1.2 基于成員的社區(qū)發(fā)現(xiàn) 114
6.1.3 基于群組的社區(qū)發(fā)現(xiàn) 119
6.2 社區(qū)演變 126
6.2.1 網(wǎng)絡是如何演變的 126
6.2.2 演變網(wǎng)絡中的社區(qū)發(fā)現(xiàn) 129
6.3 社區(qū)評價 131
6.3.1 存在真實答案時的評價 131
6.3.2 無真實答案的評價 134
6.4 小結(jié) 135
6.5 參考文獻及注釋 136
6.6 習題 137
第7 章社會媒體中的信息傳播 139
7.1 羊群效應 140
7.1.1 羊群效應的貝葉斯建模 142
7.1.2 干預 144
7.2 信息級聯(lián) 145
7.2.1 獨立級聯(lián)模型 145
7.2.2 級聯(lián)范圍**化 147
7.2.3 干預 149
7.3 社交網(wǎng)絡中的創(chuàng)新擴散 149
7.3.1 創(chuàng)新的特征 150
7.3.2 創(chuàng)新擴散模型 150
7.3.3 創(chuàng)新擴散過程建模 152
7.3.4 干預 155
7.4 流行病模型 155
7.4.1 定義 156
7.4.2 SI 模型 156
7.4.3 SIR 模型 158
7.4.4 SIS 模型 159
7.4.5 SIRS 模型 160
7.4.6 干預 161
7.5 小結(jié) 161
7.6 參考文獻及注釋 162
7.7 習題 163
第三部分應用
第8 章影響力和同質(zhì)性 166
8.1 度量同配性 167
8.1.1 度量符號屬性的同配性 167
8.1.2 度量序數(shù)屬性的同配性 170
8.2 影響力 172
8.2.1 度量影響力 172
8.2.2 影響力建模 175
8.3 同質(zhì)性 179
8.3.1 度量同質(zhì)性 179
8.3.2 同質(zhì)性建模 179
8.4 區(qū)分影響力和同質(zhì)性 180
8.4.1 洗牌測試 180
8.4.2 邊緣反轉(zhuǎn)測試 181
8.4.3 隨機化測試 181
8.5 小結(jié) 184
8.6 參考文獻及注釋 184
8.7 習題 185
第9 章社會媒體中的推薦 187
9.1 挑戰(zhàn) 188
9.2 經(jīng)典的推薦算法 188
9.2.1 基于內(nèi)容的算法 189
9.2.2 協(xié)同過濾 189
9.2.3 將個人推薦推廣到群體推薦 195
9.3 基于社會背景知識的推薦系統(tǒng) 197
9.3.1 單獨使用社會背景知識 198
9.3.2 基于社會背景知識的經(jīng)典算法
擴展 198
9.3.3 社會背景知識受限的推薦 200
9.4 推薦系統(tǒng)評價 202
9.4.1 評估預測的準確率 202
9.4.2 評估推薦的相關(guān)性 203
9.4.3 評估推薦的排序 204
9.5 小結(jié) 205
9.6 參考文獻及注釋 206
9.7 習題 207
第10 章行為分析 208
10.1 個體行為 208
10.1.1 個體行為分析 209
10.1.2 個體行為建模 213
10.1.3 個體行為預測 214
10.2 群體行為 217
10.2.1 群體行為分析 217
10.2.2 群體行為建模 221
10.2.3 群體行為預測221
10.3 小結(jié) 222
10.4 參考文獻及注釋 223
10.5 習題 224
參考文獻 225