為了解決網(wǎng)絡(luò)消費者面臨的信息過載問題，學術(shù)界和業(yè)界開發(fā)了搜索引擎等有效工具來幫助消費者從海量信息中快速獲取與消費者查詢相關(guān)的內(nèi)容。運用現(xiàn)有方法檢索的結(jié)果通常相似，這樣冗余的信息已經(jīng)很難滿足消費者對多樣化信息的需求，極大地降低了消費者的搜索體驗。如何增加搜索結(jié)果的多樣性已經(jīng)成為大數(shù)據(jù)時代下信息搜索領(lǐng)域新的研究熱點。在Web2.0時代下，在線為消費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者評價信息，在搜索結(jié)果中生成一些產(chǎn)品評價特征相似的替代選項，不僅有利于增加搜索結(jié)果的多樣性，而且能夠根據(jù)消費者的興趣偏好，找出對消費者價值更高的產(chǎn)品選項。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)品特征詞和消費者觀點行了的識別與區(qū)分，設(shè)計了吉布斯采樣算法對模型參行求解，同時提出了的k-medoids算文行分類。在提取出的產(chǎn)品特征-觀點對基礎(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。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，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，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者興趣動態(tài)偏好的消費者分析模型，通過結(jié)合消費者偏好和產(chǎn)品的特征、觀點，設(shè)計了滿足消費者個性化需求的搜索算法。同時，本書探討了新背景下全機制研究的機遇與挑戰(zhàn)。


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


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。