本书从挖掘在线评论入手，构建了面向长尾产品的特征-观点挖掘模型。不同于以往的研究，该模型刻画了文档级别的情感特征分布，提出了基于多词性标注的最大熵模型特征函数改进方法，并结合单词共现模式对长尾产品特征词和消费者观点词进行了准确的识别与区分，设计了吉布斯采样算法对模型参数进行求解，同时提出了改进的k-medoids算法对评论文本进行分类。

1 大数据时代搜索技术面临的挑战
1.1 研究背景
1.2 研究问题与意义
1.3 研究内容与技术路线
2 个性化搜索的研究动态
2.1 在线评论的有用性研究
2.2 基于评论数据的搜索结果研究
2.3 搜索结果多样性相关研究
2.4 研究评述
3 面向长尾产品的特征-观点挖掘模型
3.1 问题描述
3.2 面向长尾产品的特征-观点挖掘模型构建
3.3 实验结果分析
3.4 本章小结
4 基于产品评价特征的多样化搜索结果识别研究
4.1 问题描述
4.2 预备知识
4.3 混合数据的统一相似性度量问题研究
4.4 多样化搜索结果识别算法构建
4.5 实验结果分析
4.6 本章小结
5 基于消费者动态偏好的多样化搜索结果识别研究
5.1 问题描述
5.2 消费者动态偏好分析模型构建
5.3 搜索结果最大相关-多样性问题研究
5.4 实验结果分析
5.5 本章小结
6 基于消费者在线查询的产品推荐问题研究
6.1 问题描述
6.2 基于在线查询的推荐框架构建
6.3 实验结果分析
6.4 本章小结
7 新零售背景下全渠道推荐机制研究的机遇与挑战
7.1 新零售背景下全渠道推荐机制研究的意义
7.2 全渠道推荐机制研究梳理
7.3 现有研究的不足与未来的研究方向
8 结论与展望
8.1 研究结论
8.2 研究展望
参考文献