社会计算：社区发现和社会媒体挖掘

作者: [美] 唐磊著 , 文益民译 , 闭应洲译

出版社: 机械工业出版社

出版时间: 2013-01

版次: 1

ISBN: 9787111402879

定价: 35.00

装帧: 平装

开本: 16开

纸张: 胶版纸

页数: 132页

正文语种: 简体中文

原版书名: Community Detection and Mining in Social Media

丛书: 计算机科学丛书

分类: 计算机与互联网

106人买过

　　《社会计算：社区发现和社会媒体挖掘》从数据挖掘角度介绍社会媒体的性质，评述社会媒体计算的代表性工作，并描述社会媒体带来的挑战。书中介绍了基本概念，使用浅显易懂的例子展示了最新的算法和有效的评价方法，阐述了混杂社会网络中的社区发现技术和社会媒体挖掘技术。本书简明易懂，是研究社会媒体中的社区发现与挖掘技术的入门级读物，适合从事社会媒体数据挖掘研究与应用的学生、研究者和实践者阅读。 Lei Tang（唐磊） 2010年于亚利桑那州立大学获博士学位，现为雅虎实验室研究员。他的研究方向包括：社会计算、数据挖掘和社会媒体挖掘，尤其是混杂网络的关系学习、群体进化、特征抽取和影响建模以及社会媒体中的集体行为建模与预测。他是ACM和IEEE会员。
Huan Liu（刘欢）南加州大学获博士学位，现为亚利桑那州立大学计算机科学与工程教授。他的研究方向包括：数据/网络挖掘、机器学习、社会计算、人工智能等。他是社会计算、行为建模和预测（SBP）国际会议/专题研讨会（http://sbp.asu.edu/）的发起者，同时是AAAI、ACM、ASEE和IEEE的会员。出版者的话
中文版序
译者序
译者简介
致谢
第1章社会媒体与社会计算
1.1社会媒体
1.2概念与定义
1.2.1网络与表示
1.2.2大规模网络的属性
1.3挑战
1.4社会计算的任务
1.4.1网络建模
1.4.2中心性分析与影响建模
1.4.3社区发现
1.4.4分类与推荐
1.4.5隐私、垃圾信息与安全
1.5总结

第2章结点、联系和影响
2.1结点的重要性
2.2联系的强度
2.2.1从网络拓扑中学习
2.2.2从用户特点和交互中学习
2.2.3从用户行为序列中学习
2.3影响建模
2.3.1线性阈值模型
2.3.2独立级联模型
2.3.3影响最大化
2.3.4影响和相关的区别

第3章社区发现与评价
3.1以结点为中心的社区发现
3.1.1完全的相互关系
3.1.2可达性
3.2以群组为中心的社区发现
3.3以网络为中心的社区发现
3.3.1顶点相似性
3.3.2隐含空间模型
3.3.3块模型近似
3.3.4谱聚类
3.3.5模块度最大化
3.3.6一个统一的过程
3.4以层次为中心的社区发现
3.4.1分裂式层次聚类
3.4.2聚合式层次聚类
3.5社区评价

第4章混杂网络中的社区发现
4.1混杂网络
4.2多维网络
4.2.1网络集成
4.2.2效用集成
4.2.3特征集成
4.2.4划分集成
4.3多模网络
4.3.1双模网络的联合聚类
4.3.2多模网络

第5章社会媒体挖掘
5.1社会媒体中的演化模式
5.1.1研究社区演化的朴素方法
5.1.2平滑演化网络中的社区演化
5.1.3处理网络演化的基于片段的聚类算法
5.2网络数据的分类
5.2.1集体分类
5.2.2基于社区的学习
5.2.3总结
附录A数据收集
附录B介数计算
附录Ck均值聚类
参考文献
索引
内容简介:
　　《社会计算：社区发现和社会媒体挖掘》从数据挖掘角度介绍社会媒体的性质，评述社会媒体计算的代表性工作，并描述社会媒体带来的挑战。书中介绍了基本概念，使用浅显易懂的例子展示了最新的算法和有效的评价方法，阐述了混杂社会网络中的社区发现技术和社会媒体挖掘技术。本书简明易懂，是研究社会媒体中的社区发现与挖掘技术的入门级读物，适合从事社会媒体数据挖掘研究与应用的学生、研究者和实践者阅读。
作者简介:
Lei Tang（唐磊） 2010年于亚利桑那州立大学获博士学位，现为雅虎实验室研究员。他的研究方向包括：社会计算、数据挖掘和社会媒体挖掘，尤其是混杂网络的关系学习、群体进化、特征抽取和影响建模以及社会媒体中的集体行为建模与预测。他是ACM和IEEE会员。
Huan Liu（刘欢）南加州大学获博士学位，现为亚利桑那州立大学计算机科学与工程教授。他的研究方向包括：数据/网络挖掘、机器学习、社会计算、人工智能等。他是社会计算、行为建模和预测（SBP）国际会议/专题研讨会（http://sbp.asu.edu/）的发起者，同时是AAAI、ACM、ASEE和IEEE的会员。
目录:
出版者的话
中文版序
译者序
译者简介
致谢
第1章社会媒体与社会计算
1.1社会媒体
1.2概念与定义
1.2.1网络与表示
1.2.2大规模网络的属性
1.3挑战
1.4社会计算的任务
1.4.1网络建模
1.4.2中心性分析与影响建模
1.4.3社区发现
1.4.4分类与推荐
1.4.5隐私、垃圾信息与安全
1.5总结

第2章结点、联系和影响
2.1结点的重要性
2.2联系的强度
2.2.1从网络拓扑中学习
2.2.2从用户特点和交互中学习
2.2.3从用户行为序列中学习
2.3影响建模
2.3.1线性阈值模型
2.3.2独立级联模型
2.3.3影响最大化
2.3.4影响和相关的区别

第3章社区发现与评价
3.1以结点为中心的社区发现
3.1.1完全的相互关系
3.1.2可达性
3.2以群组为中心的社区发现
3.3以网络为中心的社区发现
3.3.1顶点相似性
3.3.2隐含空间模型
3.3.3块模型近似
3.3.4谱聚类
3.3.5模块度最大化
3.3.6一个统一的过程
3.4以层次为中心的社区发现
3.4.1分裂式层次聚类
3.4.2聚合式层次聚类
3.5社区评价

第4章混杂网络中的社区发现
4.1混杂网络
4.2多维网络
4.2.1网络集成
4.2.2效用集成
4.2.3特征集成
4.2.4划分集成
4.3多模网络
4.3.1双模网络的联合聚类
4.3.2多模网络

第5章社会媒体挖掘
5.1社会媒体中的演化模式
5.1.1研究社区演化的朴素方法
5.1.2平滑演化网络中的社区演化
5.1.3处理网络演化的基于片段的聚类算法
5.2网络数据的分类
5.2.1集体分类
5.2.2基于社区的学习
5.2.3总结
附录A数据收集
附录B介数计算
附录Ck均值聚类
参考文献
索引