刘启华，男，湖北汉川人，国际信息系统协会会员。2006年毕业于武汉大学信息管理学院信息管理与信息系统专业，2011年于武汉大学信息管理学院管理科学与工程专业获博士学位。现就职于江西财经大学信息管理学院和电子商务江西省高校高水平工程研究中心。主要研究方向为：电子商务理论与应用、移动与泛在商务、个性化推荐系统。主持了国家自然科学基金项目、教育部人文社会科学研究项目、江西省自然科学基金项目、江西省教育厅科技项目等，参加多项国家级、省部级科研项目和横向课题。近5年来在《Computers in Human Behavior》、《Electronic Library》、《International Journal of Mobile Communications》、《International Journal of Ad HOC and Ubiquitous Computing》、《Program Electronic Library and Information Systems》等国内外重要学术期刊上发表学术论文20余篇。

　　信息技术和网络的发展不仅使信息数量呈几何级数增加，表现出“极端数据”或“海量数据”的特征，进一步导致“Web数据危机”，而且也使信息资源的服务与利用日益社会化和个性化。新兴网络（社会化网络、微博、微信、Twitter等）、新兴商务模式（团购、社会化商务等）、智能终端（智能手机等）以及新技术（泛在计算、物联网等）构建出了一个网络和应用无所不在的泛在商务环境。
　　泛在商务环境下，网络信息资源具有多源性、多样性、海量性和异构性等自然特性，同时用户信息服务需求存在着泛在性、情境敏感性和高度个性化等特征。现有的信息处理模式已无法适应新兴商务环境下人们研究、学习、创新与决策的要求，主要体现在：（1）传统的信息组织和检索方式不适应泛在商务环境下多样化的终端设备的要求；（2）用户信息需求的个性化和多元化特征给用户需求建模方法提出了更高的要求；（3）传统的个性化信息推荐系统和相应算法大多是千方百计地关注于如何提高推荐算法的精确性，而忽略了推荐结果的多样性。
　　因此，泛在商务环境下的信息资源管理需要有新的思路和方法。在泛在商务环境下，用户的信息需求与用户所处的特定情境是密切相关的，建立基于情境计算的用户需求模型，进而实现用户需求与信息资源的智能匹配，并主动为用户推荐准确多样的信息资源，是泛在商务环境下智能信息处理领域值得关注的研究思路。
　　刘启华著的《泛在商务环境下的信息聚合与推荐》按照“按需聚合、智能推荐”的原则，以提供精准的信息聚合服务和推荐个性化的信息资源为目标，构建了适应泛在商务环境的智能信息处理框架，并以旅游信息检索为例，开发泛在旅游信息聚合与推荐原型系统（U-Travel）。

1 绪论
1.1 研究背景
1.1.1 泛在计算
1.1.2 物联网
1.1.3 商务模式的演变
1.2 研究问题及意义
1.2.1 研究问题的提出
1.2.2 研究意义
1.3 研究内容和组织

2 研究综述
2.1 泛在商务研究综述
2.1.1 泛在商务的基本概念
2.1.2 泛在商务的特点
2.1.3 泛在商务文献统计分析（2000-2009）
2.2 信息聚合研究综述
2.2.1 聚合、融合与集成
2.2.2 信息聚合及其应用
2.3 智能推荐研究综述
2.3.1 传统的信息推荐方法
2.3.2 新兴的信息推荐方法
2.4 本章小结

3 泛在商务环境下信息聚合与推荐框架
3.1 泛在商务环境下信息资源的特性
3.2 泛在商务环境下信息服务的特征
3.3 泛在商务环境下信息聚合与推荐框架
3.3.1 基于情境计算的用户需求模型
3.3.2 基于主题模型的信息按需聚合
3.3.3 基于兴趣社区和信任邻居的个性化推荐
3.4 本章小结

4 基于情境计算的用户需求模型
4.1 理论基础
4.1.1 情境计算
4.1.2 语义本体
4.1.3 Web日志挖掘
4.1.4 多关系决策树
4.2 基于情境历史挖掘的用户需求获取
4.2.1 情境历史获取
4.2.2 情境历史推理
4.2.3 偏好预测和用户建模
4.3 与其他方法的比较
4.4 本章小结

5 基于主题模型的Web文本按需聚合
5.1 主题模型
5.1.1 主题模型的提出
5.1.2 主题模型的发展历史
5.1.3 LDA模型
5.2 基于LDA的Web文本信息按需聚合
5.2.1 基本思路
5.2.2 基于LDA的主题信息采集
5.2.3 基于LDA的文本层次分类
5.2.4 基于LDA的文本检索
5.3 本章小结

6 基于兴趣社区和信任邻居的个性化推荐
6.1 个性化推荐系统的多样性研究进展
6.1.1 推荐系统多样性的类型
6.1.2 提高推荐系统多样性的方法
6.1.3 推荐系统多样性的主要度量指标
6.2 多层语义兴趣社区的构建
6.2.1 兴趣社区概述
6.2.2 基于用户需求本体的多层语义兴趣社区
6.3 基于兴趣社区和信任邻居的混合推荐模型
6.3.1 基于兴趣社区的用户偏好匹配算法
6.3.2 基于信任邻居的多样性信息推荐算法
6.3.3 基于兴趣社区和信任邻居的混合推荐算法
6.4 本章小结

7 实验研究：武汉泛在旅游信息聚合与推荐系统——U-Travel
7.1 U-Travel应用背景
7.2 U-Travel系统架构
7.2.1 系统框架
7.2.2 用户需求建模模块
7.2.3 旅游文本建模模块
7.2.4 旅游信息资源按需聚合模块
7.2.5 旅游信息推荐模块
7.3 系统运行结果展示
7.4 U-Travel主要模块测试
7.4.1 基于情境历史的移动用户偏好挖掘效果测试
7.4.2 基于LDA的中文主题抽取效果分析
7.4.3 基于LDA的文本层次分类效果分析
7.5 U-Travel性能测试
7.5.1 U-Travel的检索效果测试
7.5.2 U-Travel的个性化推荐效果测试
7.6 本章小结

8 总结与展望
8.1 总结
8.2 研究展望
参考文献