為了解決網(wǎng)絡(luò)消費(fèi)者面臨的信息過載問題，學(xué)術(shù)界和業(yè)界開發(fā)了搜索引擎等有效工具來幫助消費(fèi)者從海量信息中快速獲取與消費(fèi)者查詢相關(guān)的內(nèi)容。運(yùn)用現(xiàn)有方法檢索的結(jié)果通常相似，這樣冗余的信息已經(jīng)很難滿足消費(fèi)者對多樣化信息的需求，極大地降低了消費(fèi)者的搜索體驗(yàn)。如何增加搜索結(jié)果的多樣性已經(jīng)成為大數(shù)據(jù)時(shí)代下信息搜索領(lǐng)域新的研究熱點(diǎn)。在Web2.0時(shí)代下，在線為消費(fèi)者提供了豐富的信息，幫助其做出佳的購買決策。通過考慮在線中隱藏的消費(fèi)者評價(jià)信息，在搜索結(jié)果中生成一些產(chǎn)品評價(jià)特征相似的替代選項(xiàng)，不僅有利于增加搜索結(jié)果的多樣性，而且能夠根據(jù)消費(fèi)者的興趣偏好，找出對消費(fèi)者價(jià)值更高的產(chǎn)品選項(xiàng)。然而，目前基于在線的搜索結(jié)果多樣性研究仍然處于探索階段。


本書從挖掘在線入手，構(gòu)建了面向長尾產(chǎn)品的特征-觀點(diǎn)挖掘模型。不同于以往的研究，該模型刻畫了文檔級別的情感特征分布，提出了基于多詞性標(biāo)注的大熵模型特征函數(shù)方法，并結(jié)合單詞共現(xiàn)模式對長尾產(chǎn)品特征詞和消費(fèi)者觀點(diǎn)行了的識別與區(qū)分，設(shè)計(jì)了吉布斯采樣算法對模型參行求解，同時(shí)提出了的k-medoids算文行分類。在提取出的產(chǎn)品特征-觀點(diǎn)對基礎(chǔ)上，本書提出了基于知識注入和條件熵的混合數(shù)據(jù)相似性度量學(xué)。與許多現(xiàn)有方法相比，它通過將從提取的外部知識注入屬性內(nèi)相似度學(xué)，更好地捕獲文本屬性值之間的語義相似度；通過將信息增益比嵌入屬性間相似性學(xué)，更地刻畫屬性之間的全局交互關(guān)系；通過將數(shù)值屬性和文本屬性統(tǒng)一到相同向量空間下，避免了手動(dòng)選擇反映數(shù)值屬性或文本屬性偏好程度的調(diào)整參數(shù)，好地保留了屬性值的原始信息。在相似性度量的基礎(chǔ)上，針對現(xiàn)有密度峰值方法的缺陷，本書提出了基于共享近鄰的EDPC（Enhanced Density PeaksClustering）算法對數(shù)據(jù)對行搜索，通過考慮數(shù)據(jù)空間中對象的局部結(jié)構(gòu)，降低了算法對空間密度和維度變化的敏感度。本書建立了刻畫消費(fèi)者興趣動(dòng)態(tài)偏好的消費(fèi)者分析模型，通過結(jié)合消費(fèi)者偏好和產(chǎn)品的特征、觀點(diǎn)，設(shè)計(jì)了滿足消費(fèi)者個(gè)性化需求的搜索算法。同時(shí)，本書探討了新背景下全機(jī)制研究的機(jī)遇與挑戰(zhàn)。


本書承蒙國家自然科學(xué)（72101031、71871177）和國家研發(fā)計(jì)劃（18YFB1703001）的資助，在此對研究的大力資助深表感謝，同時(shí)由衷地感謝科學(xué)技術(shù)文獻(xiàn)出版社在本書編輯和出版過程中所做的各項(xiàng)工作。


由于筆者水平有限，本書還存在一些不足之處，懇請廣大讀者批評指正。