社會計算

內(nèi)容概要

　　本書從數(shù)據(jù)挖掘角度介紹社會媒體的性質(zhì)，評述社會媒體計算的代表性工作，并描述社會媒體帶來的挑戰(zhàn)。書中介紹了基本概念，使用淺顯易懂的例子展示了最新的算法和有效的評價方法，闡述了混雜社會網(wǎng)絡中的社區(qū)發(fā)現(xiàn)技術(shù)和社會媒體挖掘技術(shù)。
　　本書簡明易懂，是研究社會媒體中的社區(qū)發(fā)現(xiàn)與挖掘技術(shù)的入門級讀物，適合從事社會媒體數(shù)據(jù)挖掘研究與應用的學生、研究者和實踐者閱讀。

作者簡介

Lei Tang（唐磊） 2010年于亞利桑那州立大學獲博士學位，現(xiàn)為雅虎實驗室研究員。他的研究方向包括：社會計算、數(shù)據(jù)挖掘和社會媒體挖掘，尤其是混雜網(wǎng)絡的關(guān)系學習、群體進化、特征抽取和影響建模以及社會媒體中的集體行為建模與預測。他是ACM和IEEE會員。
Huan Liu（劉歡） 南加州大學獲博士學位，現(xiàn)為亞利桑那州立大學計算機科學與工程教授。他的研究方向包括：數(shù)據(jù)/網(wǎng)絡挖掘、機器學習、社會計算、人工智能等。他是社會計算、行為建模和預測（SBP）國際會議/專題研討會（http://sbp.asu.edu/）的發(fā)起者，同時是AAAI、ACM、ASEE和IEEE的會員。

書籍目錄

出版者的話
中文版序
譯者序
譯者簡介
致謝
第1章社會媒體與社會計算
1．1社會媒體
1．2概念與定義
1．2．1網(wǎng)絡與表示
1．2．2大規(guī)模網(wǎng)絡的屬性
1．3挑戰(zhàn)
1．4社會計算的任務
1．4．1網(wǎng)絡建模
1．4．2中心性分析與影響建模
1．4．3社區(qū)發(fā)現(xiàn)
1．4．4分類與推薦
1．4．5隱私、垃圾信息與安全
1．5總結(jié)
第2章結(jié)點、聯(lián)系和影響
2．1結(jié)點的重要性
2．2聯(lián)系的強度
2．2．1從網(wǎng)絡拓撲中學習
2．2．2從用戶特點和交互中學習
2．2．3從用戶行為序列中學習
2．3影響建模
2．3．1線性閾值模型
2．3．2獨立級聯(lián)模型
2．3．3影響最大化
2．3．4影響和相關(guān)的區(qū)別
第3章社區(qū)發(fā)現(xiàn)與評價
3．1以結(jié)點為中心的社區(qū)發(fā)現(xiàn)
3．1．1完全的相互關(guān)系
3．1．2可達性
3．2以群組為中心的社區(qū)發(fā)現(xiàn)
3．3以網(wǎng)絡為中心的社區(qū)發(fā)現(xiàn)
3．3．1頂點相似性
3．3．2隱含空間模型
3．3．3塊模型近似
3．3．4譜聚類
3．3．5模塊度最大化
3．3．6一個統(tǒng)一的過程
3．4以層次為中心的社區(qū)發(fā)現(xiàn)
3．4．1分裂式層次聚類
3．4．2聚合式層次聚類
3．5社區(qū)評價
第4章混雜網(wǎng)絡中的社區(qū)發(fā)現(xiàn)
4．1混雜網(wǎng)絡
4．2多維網(wǎng)絡
4．2．1網(wǎng)絡集成
4．2．2效用集成
4．2．3特征集成
4．2．4劃分集成
4．3多模網(wǎng)絡
4．3．1雙模網(wǎng)絡的聯(lián)合聚類
4．3．2多模網(wǎng)絡
第5章社會媒體挖掘
5．1社會媒體中的演化模式
5．1．1研究社區(qū)演化的樸素方法
5．1．2平滑演化網(wǎng)絡中的社區(qū)演化
5．1．3處理網(wǎng)絡演化的基于片段的聚類算法
5．2網(wǎng)絡數(shù)據(jù)的分類
5．2．1集體分類
5．2．2基于社區(qū)的學習
5．2．3總結(jié)
附錄A數(shù)據(jù)收集
附錄B介數(shù)計算
附錄Ck均值聚類
參考文獻
索引

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    社會計算 PDF格式下載

---