觀察判斷決策行動全環(huán)節(jié)開源數(shù)據(jù)分析

緒論篇
第1章 OODA基礎(chǔ)理論
1.1 模型構(gòu)成
1.2 基于OODA數(shù)據(jù)分析相關(guān)理論及案例
第2章 OODA全環(huán)節(jié)開源數(shù)據(jù)分析概述
2.1 開源數(shù)據(jù)分析概述
2.2 基于O0DA的開源數(shù)據(jù)分析各環(huán)節(jié)概述
觀察篇
第3章 文本表示模型
3.1 布爾模型
3.2 概率模型
3.3 向量空間模型
3.4 分布式詞向量
3.5 分布式字向量
3.6 基于上下文的動態(tài)詞向量語義表示
第4章 話題表示模型
4.1 相關(guān)定義
4.2 LDA模型表示
4.3 基于信息熵的表示
4.4 基于LDA模型和信息熵的話題表示模型
4.5 實驗分析
4.6 總結(jié)
判斷篇
第5章 影響力分析基礎(chǔ)理論
5.1 影響力個體
5.2 社會網(wǎng)絡(luò)影響力個體發(fā)現(xiàn)研究現(xiàn)狀
5.3 微博中影響力個體發(fā)現(xiàn)研究現(xiàn)狀
5.4 多關(guān)系網(wǎng)絡(luò)研究現(xiàn)狀
第6章 基于多關(guān)系網(wǎng)絡(luò)的微博話題層次影響力個體挖掘
6.1 確定博文話題類別
6.2 相關(guān)定義
6.3 轉(zhuǎn)發(fā)網(wǎng)絡(luò)
6.4 回復(fù)網(wǎng)絡(luò)
6.5 復(fù)制網(wǎng)絡(luò)
6.6 閱讀網(wǎng)絡(luò)
6.7 融合多關(guān)系網(wǎng)絡(luò)
6.8 證明收斂性
6.9 影響力個體分類
第7章 基于用戶行為的話題層面影響力度量
7.1 研究動機
7.2 相關(guān)定義
7.3 方法描述
7.4 實驗分析
7.5 本章小結(jié)
第8章 面向信息傳播的相互影響力分析
8.1 研究動機
8.2 相關(guān)定義
8.3 方法描述
8.4 實驗分析
8.5 本章小結(jié)
第9章 基于誤差重構(gòu)的關(guān)鍵傳播節(jié)點識別
9.1 問題描述
9.2 方法描述
9.3 本章小結(jié)
第10章 文本情感分析基礎(chǔ)
10.1 文本情感分析基本概念
10.2 文本情感分析主要任務(wù)
第11章 面向公眾實體情感民調(diào)實體級微博文本情感分析
11.1 引言
11.2 基本框架
11.3 問題描述
11.4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的實體級微博文本情感分析
11.5 基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)的序列標(biāo)記
11.6 實驗與分析
11.7 本章小結(jié)
第12章 基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)實體級微博文本情感分析
12.1 引言
12.2 基于卷積神經(jīng)網(wǎng)絡(luò)的文本序列標(biāo)記
12.3 基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的序列標(biāo)記
12.4 實驗與分析
12.5 本章小結(jié)
決策篇
第13章 基于深度神經(jīng)網(wǎng)絡(luò)與注意力機制的機器閱讀理解技術(shù)研究
13.1 基于雙向注意力機制的機器閱讀理解模型
13.2 基于雙向長短期記憶網(wǎng)絡(luò)的機器閱讀理解模型
13.3 基于自注意力機制與卷積神經(jīng)網(wǎng)絡(luò)的機器閱讀理解模型
13.4 實驗結(jié)果與分析
13.5 本章小結(jié)
第14章 基于集成學(xué)習(xí)的機器閱讀理解技術(shù)研究
14.1 基于集成學(xué)習(xí)的機器閱讀理解模型
14.2 實驗結(jié)果與分析
14.3 本章小結(jié)
第15章 融合相互影響力的轉(zhuǎn)發(fā)行為預(yù)測
15.1 研究動機
15.2 相關(guān)定義
15.3 方法描述
15.4 實驗分析
15.5 本章小結(jié)
第16章 基于相似關(guān)系和共現(xiàn)關(guān)系的話題流行度預(yù)測
16.1 問題背景
16.2 準(zhǔn)備工作
16.3 流行度預(yù)測方法
16.4 實驗分析
16.5 本章小結(jié)
行動篇
第17章 用戶推薦相關(guān)理論
17.1 推薦的相關(guān)算法
17.2 信息推薦的衡量指標(biāo)
17.3 本章小結(jié)
第18章 基于轉(zhuǎn)推網(wǎng)絡(luò)的個性化推薦模型
18.1 基于轉(zhuǎn)推網(wǎng)絡(luò)的推薦模型框架
18.2 基于用戶相似度的個性化推薦模型
18.3 基于用戶信任度的個性化推薦模型
18.4 基于用戶相似度和信任度的混合推薦模型
18.5 本章小結(jié)
第19章 基于內(nèi)容標(biāo)簽的個性化推薦模型
19.1 基于內(nèi)容標(biāo)簽的推薦模型框架
19.2 標(biāo)簽特征的抽取
19.3 基于多標(biāo)簽的興趣度計算
19.4 本章小結(jié)
第20章 基于轉(zhuǎn)推網(wǎng)絡(luò)和內(nèi)容標(biāo)簽的混合推薦模型
20.1 基于轉(zhuǎn)推網(wǎng)絡(luò)和內(nèi)容標(biāo)簽的混合推薦模型框架
20.2 離線實驗設(shè)計及分析
20.3 本章小結(jié)
第21章 基于排序?qū)W習(xí)的多因素融合推薦
21.1 概述
21.2 排序函數(shù)定義
21.3 排序函數(shù)訓(xùn)練
21.4 本章小結(jié)
第22章 基于指派模型的推薦優(yōu)化模型
22.1 概述
22.2 構(gòu)建效用矩陣
22.3 模型優(yōu)化
22.4 解決方案
22.5 本章小結(jié)
參考文獻(xiàn)