| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第一章 绪论 | 第14-26页 |
| 1.1 研究背景、目的及意义 | 第14-17页 |
| 1.1.1 研究背景 | 第14-16页 |
| 1.1.2 研究目的 | 第16-17页 |
| 1.1.3 研究意义 | 第17页 |
| 1.2 研究内容和结构安排 | 第17-24页 |
| 1.2.1 研究内容 | 第17-22页 |
| 1.2.2 结构安排 | 第22-24页 |
| 1.3 研究方法和主要创新点 | 第24-25页 |
| 1.3.1 研究方法 | 第24页 |
| 1.3.2 主要创新点 | 第24-25页 |
| 1.4 本章小结 | 第25-26页 |
| 第二章 相关理论及文献综述 | 第26-44页 |
| 2.1 传统用户情感分析与兴趣挖掘方法 | 第26-36页 |
| 2.1.1 传统的消费者行为分析理论与方法 | 第26-27页 |
| 2.1.2 用户评论中的观点、主题挖掘 | 第27-31页 |
| 2.1.3 用户评论中的情感分类 | 第31-33页 |
| 2.1.4 用户兴趣、偏好挖掘及推荐系统 | 第33-35页 |
| 2.1.5 已有研究的不足之处及面临的新挑战 | 第35-36页 |
| 2.2 本文的研究思路：一种动态的大数据挖掘视角 | 第36-43页 |
| 2.2.1 数据的特征工程 | 第36-37页 |
| 2.2.2 增量式的分类与聚类方法 | 第37-41页 |
| 2.2.3 用户动态兴趣时间序列挖掘 | 第41-42页 |
| 2.2.4 大数据挖掘的方法与技术 | 第42-43页 |
| 2.3 本章小结 | 第43-44页 |
| 第三章 评论数据的特征工程：线性与非线性空间变换方法 | 第44-65页 |
| 3.1 引言 | 第44-45页 |
| 3.2 评论数据的分布特点与挖掘挑战 | 第45-48页 |
| 3.2.1 数据集详情 | 第45页 |
| 3.2.2 数据特点 | 第45-46页 |
| 3.2.3 挖掘挑战 | 第46-48页 |
| 3.3 评论数据的线性与非线性空间变换方法 | 第48-55页 |
| 3.3.1 维度相关性对策：基于奇异值分解的线性正交变换 | 第49-50页 |
| 3.3.2 距离校准：一种基于线性规划的距离度量学习方法 | 第50-52页 |
| 3.3.3 核变换拟合：Nystr?m非线性空间变换 | 第52-53页 |
| 3.3.4 线性与非线性空间变换方法的整合 | 第53-54页 |
| 3.3.5 增量学习分析 | 第54-55页 |
| 3.4 评论数据的分类提升效果评估及结果讨论 | 第55-64页 |
| 3.4.1 核函数最优参数的网格搜索 | 第56页 |
| 3.4.2 奇异值分解 | 第56-57页 |
| 3.4.3 空间变换 | 第57页 |
| 3.4.4 分类效果评估 | 第57-60页 |
| 3.4.5 结果讨论与管理启示 | 第60-64页 |
| 3.5 本章小结 | 第64-65页 |
| 第四章 情绪感知的用户观点挖掘：一种新的增量式自适应分类与聚类算法 | 第65-88页 |
| 4.1 引言 | 第65-66页 |
| 4.2 竞争型学习的理论基础及聚类算法 | 第66-71页 |
| 4.2.1 符号约定 | 第66页 |
| 4.2.2 竞争型监督学习的理论基础 | 第66-67页 |
| 4.2.3 原模型的优点与缺点 | 第67-68页 |
| 4.2.4 “非军事区”构建 | 第68-69页 |
| 4.2.5 所提出模型的网络拓扑结构 | 第69-70页 |
| 4.2.6 近似核变换方法 | 第70-71页 |
| 4.3 评论观点子模式识别：一种新的监督式聚类与分类算法 | 第71-76页 |
| 4.3.1 模型训练方法 | 第71-75页 |
| 4.3.2 “小批量”增量学习及分布式计算 | 第75-76页 |
| 4.3.3 数据标签预测 | 第76页 |
| 4.4 子模式识别及聚类、分类的性能评估及结果讨论 | 第76-85页 |
| 4.4.1 基准数据集 | 第77页 |
| 4.4.2 基于Nystr?m方法的核拟合 | 第77-78页 |
| 4.4.3 聚类与分类训练过程 | 第78-79页 |
| 4.4.4 AdaHS的收敛性测试 | 第79-80页 |
| 4.4.5 准确性与运行速度评估 | 第80-83页 |
| 4.4.6 实验结果讨论 | 第83-85页 |
| 4.5 基于AdaHS的观点挖掘实例及管理启示 | 第85-86页 |
| 4.6 本章小结 | 第86-88页 |
| 第五章 从评论数据中发掘用户兴趣：一种动态时间序列观点 | 第88-108页 |
| 5.1 引言 | 第88-89页 |
| 5.2 商品“主题”挖掘：商品文本的向量表示与聚类 | 第89-90页 |
| 5.2.1 商品的向量表示 | 第89页 |
| 5.2.2 主题挖掘：商品文本的向量化表示和聚类 | 第89-90页 |
| 5.3 “用户兴趣”时间序列的拟合与预测方法 | 第90-99页 |
| 5.3.1 用户与“主题”的交互及兴趣时间序列数据构建 | 第90-91页 |
| 5.3.2 兴趣时间序列的分类判别 | 第91-92页 |
| 5.3.3 短期时间序列数据的模型拟合与预测 | 第92-93页 |
| 5.3.4 长期时间序列数据的模型拟合与预测 | 第93-97页 |
| 5.3.5 稀疏时间序列拟合与预测 | 第97页 |
| 5.3.6 时间序列综合拟合与预测算法及预测结果评估 | 第97-99页 |
| 5.4 实验及效果评估 | 第99-106页 |
| 5.4.1 数据集及大数据实验方法 | 第99-100页 |
| 5.4.2 基于Word2Vec的商品文本向量表示 | 第100-101页 |
| 5.4.3 商品“主题”挖掘 | 第101-102页 |
| 5.4.4 用户兴趣时间序列拟合 | 第102-105页 |
| 5.4.5 实验结果讨论 | 第105-106页 |
| 5.5 本章小结 | 第106-108页 |
| 第六章 用户兴趣网络与推荐系统 | 第108-123页 |
| 6.1 引言 | 第108-109页 |
| 6.2 用户兴趣的相似性搜索 | 第109-112页 |
| 6.2.1 基于动态时间规整的时间序列距离计算方法 | 第109-112页 |
| 6.2.2 用户之间兴趣相似性的计算 | 第112页 |
| 6.3 基于图计算的用户兴趣社区发现 | 第112-114页 |
| 6.3.1 基于社区发现的用户聚类 | 第112-113页 |
| 6.3.2 兴趣社区划分质量的评价标准 | 第113页 |
| 6.3.3 兴趣社区发现算法：Fast Unfolding | 第113-114页 |
| 6.4 推荐策略与方法构建 | 第114-116页 |
| 6.4.1 推荐策略一：基于兴趣时间序列预测的直接推荐 | 第114页 |
| 6.4.2 推荐策略二：基于用户兴趣社区的协同过滤式推荐 | 第114-115页 |
| 6.4.3 推荐策略三：综合推荐 | 第115页 |
| 6.4.4 推荐效果评估 | 第115-116页 |
| 6.5 相似性搜索、社区发现与推荐的实验及效果评估 | 第116-121页 |
| 6.5.1 相似性搜索 | 第116页 |
| 6.5.2 用户兴趣社区发现 | 第116-118页 |
| 6.5.3 商品主题推荐的效果评估 | 第118-121页 |
| 6.6 关于推荐系统的进一步讨论及管理启示 | 第121-122页 |
| 6.7 本章小结 | 第122-123页 |
| 第七章 结论与展望 | 第123-126页 |
| 7.1 结论 | 第123-124页 |
| 7.2 展望 | 第124-126页 |
| 致谢 | 第126-127页 |
| 参考文献 | 第127-141页 |
| 攻读博士学位期间取得的成果 | 第141页 |
