知识卡片

普通读书笔记卡 · 6227

兴趣图谱连接人与关注对象

理解等级:中级

兴趣图谱把人及其关注的对象建成关系,关注对象可以是项目、组织或内容,不限另一位朋友。它强调对什么感兴趣,因此能从GitHub等协作活动中组织兴趣线索;一条关系只是所选活动下的关联,不自动证明喜爱、专业能力或现实友谊。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 5 处

    • · 查看原书依据

      一幅将人与吸引他们的事物连接的图谱。兴趣图谱(无论是从GitHub得到的还是从其他地方得到的)是这个逐渐发展的Web传奇故事中的重要概念,并且由于有人对社交网络感兴趣,所以你不想忽略它们。 除了关于GitHub的新的一章外,第1版中关于Twitter的“高级的”两章被重构了,扩展成一些更容易接受的Twitter代码配方(recipe),并组织到第9章。尽管本

    • · 查看原书依据

      兴趣图谱(interest graph)以及推文和Twitter的“关注”(following)机制将人们以不同的方式联系到一起。 由于这是本书的第1章,我们将会花些时间让你逐步适应社交网络挖掘的旅程。不过,考虑到Twitter数据很容易得到并且接受公众的审查,第9章以问答的形式提供了一系列既短小精悍又具有普遍性的代码配方,从而进一步阐述了大量数据挖掘的可能

    • · 查看原书依据

      测量事物之间的相关性从而进行智能推荐,或涉及机器学习中的其他应用。例如,你可以使用兴趣图谱测量相关性,从向你推荐Twitter上关注对象到在线推荐购买什么商品再到推荐应该与谁约会。为了更好地理解Twitter的兴趣图谱这个概念,假设Twitter用户不一定是一个真实的人。它可以是一个人,也可以是一个没有生命的物体、一个公司、一个音乐团队、一个虚构的角色、虚拟

    • · 查看原书依据

      人物与其感兴趣的事物之间的关系。在这方面,你可能会越来越多的听到它被描述为一种“社交兴趣图谱”。在大多数情况下,你可以认定兴趣图谱无疑是存在的,并且可以从多数社交数据源创建。例如,第1章中的Twitter实际上是一种兴趣图谱,因为它使用了人物、地点或者事物之间非对称的“关注”关系。Facebook为一种兴趣图谱这个概念将会贯穿在这一章的内容中,在第7章我们将

    • · 查看原书依据

      用户、资源库和编程语言的关系视为兴趣图谱(interest graph,http://bit.ly/1a1o3Cu),这是一种表达节点和图中的关联的方法,主要来自于人以及人感兴趣的事物。这些年,黑客、企业家、网络专家对Web的未来是否基于兴趣图谱的某些概念的讨论有很多,所以现在正是加入图谱的快车,了解和学习图谱知识的好时机。 总的来说,本章和前面章节的模板相

    参考来源

    - 位置:《社交网站的数据挖掘与分析(原书第2版)》前置与部分导引《第2版的具体改进》(spine58;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0047.html;u006-ch00-003)。 - 结论依据:原文在“一幅将人与吸引他们的事物连接的图谱”附近的定义、例子或代码支撑本卡核心说明:兴趣图谱把人及其关注的对象建成关系,关注对象可以是项目、组织或内容,不限另一位朋友。边界按已读前提解释;示例未执行。 - 原始内容:一幅将人与吸引他们的事物连接的图谱。兴趣图谱(无论是从GitHub得到的还是从其他地方得到的)是这个逐渐发展的Web传奇故事中的重要概念,并且由于有人对社交网络感兴趣,所以你不想忽略它们。 除了关于GitHub的新的一章外,第1版中关于Twitter的“高级的”两章被重构了,扩展成一些更容易接受的Twitter代码配方(recipe),并组织到第9章。尽管本 - 位置:《社交网站的数据挖掘与分析(原书第2版)》第1章《第1章 挖掘Twitter:探索热门话题、发现人们的谈论内容等》(spine61;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0050.html;u014-ch00-003)。 - 结论依据:关注将账号与兴趣对象联系,不把原书平台开放性评价推广为当前API可得性。 - 原始内容:兴趣图谱(interest graph)以及推文和Twitter的“关注”(following)机制将人们以不同的方式联系到一起。 由于这是本书的第1章,我们将会花些时间让你逐步适应社交网络挖掘的旅程。不过,考虑到Twitter数据很容易得到并且接受公众的审查,第9章以问答的形式提供了一系列既短小精悍又具有普遍性的代码配方,从而进一步阐述了大量数据挖掘的可能 - 位置:《社交网站的数据挖掘与分析(原书第2版)》第1章《1.2 Twitter风靡一时的原因》(spine63;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0052.html;u016-ch00-003)。 - 结论依据:兴趣关系可作推荐线索,但相关性和推荐结果不自动构成真实偏好或因果解释。 - 原始内容:测量事物之间的相关性从而进行智能推荐,或涉及机器学习中的其他应用。例如,你可以使用兴趣图谱测量相关性,从向你推荐Twitter上关注对象到在线推荐购买什么商品再到推荐应该与谁约会。为了更好地理解Twitter的兴趣图谱这个概念,假设Twitter用户不一定是一个真实的人。它可以是一个人,也可以是一个没有生命的物体、一个公司、一个音乐团队、一个虚构的角色、虚拟 - 位置:《社交网站的数据挖掘与分析(原书第2版)》第2章《第2章 挖掘Facebook:分析粉丝页面、查看好友关系等》(spine69;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0058.html;u031-ch00-003)。 - 结论依据:好友与页面赞是不同边类型;赞可作兴趣线索而不是普遍认可或身份事实。 - 原始内容:人物与其感兴趣的事物之间的关系。在这方面,你可能会越来越多的听到它被描述为一种“社交兴趣图谱”。在大多数情况下,你可以认定兴趣图谱无疑是存在的,并且可以从多数社交数据源创建。例如,第1章中的Twitter实际上是一种兴趣图谱,因为它使用了人物、地点或者事物之间非对称的“关注”关系。Facebook为一种兴趣图谱这个概念将会贯穿在这一章的内容中,在第7章我们将 - 位置:《社交网站的数据挖掘与分析(原书第2版)》第7章《7.1 概述》(spine110;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0099.html;u109-ch00-003)。 - 结论依据:GitHub案例将多类实体与兴趣关系放入同一图,关系含义仍需定义。 - 原始内容:用户、资源库和编程语言的关系视为兴趣图谱(interest graph,http://bit.ly/1a1o3Cu),这是一种表达节点和图中的关联的方法,主要来自于人以及人感兴趣的事物。这些年,黑客、企业家、网络专家对Web的未来是否基于兴趣图谱的某些概念的讨论有很多,所以现在正是加入图谱的快车,了解和学习图谱知识的好时机。 总的来说,本章和前面章节的模板相