内容简介 社会化专家推荐旨在准确识别虚拟社区中具有专业特长的用户并对用户进行表示，高效挖掘虚拟社区中有价值的内容并将其有效地推荐给信息需求者，为用户提供专业的在线社会支持。社会化专家推荐对于解决信息过载问题和提升用户体验具有重要作用，近年来引起了广泛关注。本书对社会化专家推荐的相关理论进行了介绍，重点讲解了面向虚拟社区的社会化专家建模、基于证据增强混合图的社会化专家推荐算法及实证研究。另外，介绍了基于Nutch的虚拟社区多源数据采集系统。 本书可供从事虚拟社区、数据挖掘、情报技术、推荐算法研究的院校老师、学生和相关行业的科研工作人员参考。 前言 随着“互联网+”时代的到来，互联网呈现蓬勃发展的态势，越来越多的人通过互联网获取信息。第42次中国互联网络发展状况统计报告显示，截至2018年6月，中国网民规模达到8.02亿，其中移动手机网民规模达到7.88亿，互联网从PC时代向移动互联网时代转变。各式各样的在线支持论坛、问答社区、社交网站等虚拟社区以其便捷性，能够随时发布观点和获取信息，越来越受到人们的青睐，已经成为人们交友建立联系、共享资源和获取社会支持的重要渠道。与此同时，Web信息资源的“爆炸式”增长，使其积累了海量数据。信息资源的极大丰富，虽然使人们拥有更多的机会获取各自所需信息和知识，但也导致“信息过载”问题越来越严重，人们不得不承受从海量数据中获取目标信息的沉重负担。 因此，在虚拟社区环境下，如何准确地对用户的专业度进行识别并快速获取用户个性化的复杂需求，将用户需要的信息或知识有效地推荐给用户，进而为用户提供专业的在线社会支持，是一个重要的且极具挑战性的问题。用户画像、用户专业度识别、链接预测及混合图模型等算法可以有效地实现对虚拟社区用户的建模，它能够帮助虚拟社区运营者更好地认识用户。在对虚拟社区用户进行建模理论研究的基础上，探索其实际应用价值与应用领域是十分重…