近年来，随着Web技术的发展和应用的普及，大量用户将线下行为转移到线上进行，并且通过各种社会媒体随时随地进行社会交互和情感表达。这些海量的社会行为形成的大数据，催生了社会计算这个新的跨学科的研究和应用领域。本书在大数据的时代背景和社会计算的框架下，介绍从大量用户在线行为数据中发现其中隐含的用户行为模式和兴趣偏好的方法和技术。全书主要内容分为7个部分，分别介绍用户在线搜索行为、网上购物行为、浏览行为、社会标注行为、评论行为以及社交行为等方面的数据分析技术和方法，涉及搜索意图的分析、购物模式的发现、周期行为的挖掘、标签的有效聚类、评论意见的挖掘、用户偏好的发现、个性化推荐方法、链接分析以及社会网络的分析方法等最新研究内容。 本书内容新颖、丰富、易于理解，反映社会计算和商务智能的最新研究和应用趋势。本书主要面向高等院校和科研单位的研究生、博士生和相关研究领域的学者，对业界管理人员和信息技术人员也有一定的参考价值。

作者是清华大学经济管理学院教授,获清华大学管理学博士学位,自1994年在清华大学经济管理学院任教至今.主要从事信息系统领域的商务智能、知识发现、社会计算、数据库等方面的研究，取得了一系列具有创新性的研究成果，在学术期刊和国际会议发表被SCI和EI检索文章80篇，其中包括领域内一流的国际期刊TOIS、INFORMS JOC、TODS、TKDE等，在国内外具有一定的影响力。在清华大学出版社、电子工业出版社等主要出版社出版教材、著作等书籍多部，其中两部分别获清华大学优秀教材二等奖以及电子工业出版社最畅销书籍奖。�

前言 随着互联网、计算机等信息技术和应用的发展，人们的学习、生活和工作的诸多行为都从线下转移到线上进行，人们的在线活动行为和轨迹被记录下来。同时，Web 2.0技术以及社会媒体的兴起和广泛使用，使得人们的社会交互和意见情感在网上表露无遗，这些都使得利用计算机技术分析人类的社会活动，发现其中蕴含的规律和模式成为可能，也使社会计算这门学科成为近年来的研究和应用热点，国内外知名高校和研究机构也纷纷设立社会计算专业学科。另外，消费者的众多网上在线活动中隐含着有意义的行为规律和兴趣偏好，挖掘这些规律和偏好，可以为电子商务实现个性化服务、精准营销和开发新型业务模式提供技术和理论支持。同时，大数据、稀疏数据、富媒体、非结构化等极端数据为传统的分析技术和方法带来了巨大的挑战。 本书主要介绍著者近几年在商务智能和社会计算领域的最新研究成果，重点探讨如何根据用户的在线行为特点，针对电子商务过程中出现的管理需求，提炼和定义新型用户行为模式，刻画用户的兴趣偏好； 在极端数据情况下如何高效发现各类知识，构建用户兴趣偏好模型； 最后通过严谨的理论分析和广泛的实验，对所提方法和发现的结果进行验证和评价，旨在为推动数据挖掘和社会计算的理论发展做出贡献，也为业界的实际应用提供参考。本书的内容根据用户在线行为的类别进行组织，分别介绍新型的分析和挖掘方法。在线行为包括搜索、网购、标注、浏览、评论以及社交等，分析方法涉及各种概率统计、数据挖掘、社会网络分析等。研究内容包括搜索意图的发现、热点话题的侦测、在线购物模式的挖掘、周期模式的定义和分析、标签相似度的衡量、高效的聚类，以及针对中文表达的意见挖掘、个性化推荐和...