电子医疗健康（E-healthcare）领域因其关系民众身心健康且囊括很多相关主题内容，成为最近需求强烈和应用较为广泛的前沿领域。针对社交媒体平台上医疗健康领域的多文本和复杂网络特性，精准医疗用户数据挖掘和社会网络分析等内容是重要的研究课题。本书首先在第一章中介绍了电子医疗健康时代下面临的科学问题和推荐系统研究现状。然后，在第二章中介绍了社交媒体平台上的文本数据和网络数据收集方法；第三章介绍了数据挖掘的知识，包括5个典型分类算法和3个典型的聚类算法，通过Weka软件和Python语言的使用，讲解如何实现这些数据挖掘方法。接着，在第四章中以微博平台上的电子医疗健康主题为例，阐述了基于文本特征集合构建和特征选择的情感分类，并提出了一种情感相似度计算方法。第五章是社会网络分析在社交媒体平台的应用，展示了如何使用随机指数图模型进行网络连接预测。最后，在第六、七章中对社会化影响力衡量与社会化推荐系统的研究工作。并利用糖尿病微博数据进行社会化推荐的实证分析，验证本方法的有效性、优越性及可推广性。

第1章 绪论
1.1 电子医疗健康
1.2 社交媒体平台与电子医疗健康
1.3 推荐系统及其发展
1.3.1 推荐系统的研究
1.3.2 整体发展概况研究
1.3.3 推荐系统分类与实际应用
1.4 本章小结
第2章 社交媒体平台及其数据收集
2.1 社交媒体平台特征
2.2 社会网络数据收集方法
2.3 基于可变精度的协同推荐
2.3.1 可变精度
2.3.2 基于可变精度的电影推荐方法验证
2.3.3 实验结果与分析
2.4 基于可变精度的微博数据收集
2.5 电子医疗数据特征与数据收集
2.5.1 糖尿病微博网络基本特征分析
2.5.2 糖尿病微博网络无标度特性分析
2.6 本章小结
第3章 数据挖掘及软件操作
3.1 数据挖掘、人工智能与模式识别
3.2 分类方法
3.3 聚类方法
3.4 Weka软件使用
3.4.1 下载与安装
3.4.2 数据导入
3.4.3 聚类方法
3.4.4 分类方法
3.4.5 预测
3.5 Python语言使用
3.5.1 Anaconda的安装与使用
3.5.2 分类方法
3.5.3 聚类方法
3.6 本章小结
第4章 微博文本挖掘和情感相似度计算
4.1 自然语言处理
4.2 情感分析
4.2.1 情感分类
4.2.2 情感相似度
4.3 社交媒体巾的电子医疗情感相似度
4.3.1 特征提取
4.3.2 特征集合
4.4 特征选择
4.4.1 信息增益
4.4.2 支持向量机
4.5 微博特征分类组合与贡献度分析
4.5.1 特征组合
4.5.2 组合贡献度分析
4.6 基于KL变换的情感相似度计算
4.7 本章小结
第5章 社交化网络模型构建与用户连接预测
5.1 网络参数分析
5.2 随机指数图模型
5.2.1 微博网络ERGM模型构建
5.2.2 基于ERGM模型的参数估计
5.2.3 基于ERGM模型的仿真
5.2.4 基于ERGM模型的拟合度分析
5.3 基于ERGM模型的用户连接预测
5.3.1 参数说明
5.3.2 公式推导
5.3.3 连接预测示例
5.4 本章小结
第6章 社会化影响力与社会化推荐系统
6.1 社会化推荐系统
6.1.1 社会网络结构分析在推荐系统中的应用研究
6.1.2 文本挖掘方法在推荐系统应用研究
6.1.3 研究现状评述
6.2 社会化影响因素分析
6.2.1 信任度
6.2.2 同质性
6.2.3 意见领袖
6.3 基于修正情感相似度的社会化推荐系统模型
6.3.1 修正情感相似度计算
6.3.2 社会化推荐系统框架
6.4 本章小结
第7章 社会化推荐系统的实证研究
7.1 糖尿病微博数据收集
7.2 实验处理
7.3 推荐结果评价
7.3 .l S@k指标计算结果与比较
7.3.2 P@k指标计算结果与比较
7.4 婴幼儿主题微博数据验证
7.4.1 数据收集
7.4.2 社会化系统推荐流程
7.4.3 结果评价
7.5 本章小结
附录