作者：田云著
页数：216
出版社：中国社会科学出版社
出版日期：2018
ISBN：9787520325035
电子书格式：pdf/epub/txt
内容简介
气候变化是当前人类社会面临严峻的全球环境问题之一。虽然关于气候变化成因和影响的学术争论一直存在，但不可否认，大气中温室气体浓度的增加是导致这一变化的重要因素。第二、第三产业是碳排放的主导部门，但快速发展的农业也是加速气候变化的重要诱因。在农业碳排放量持续上升、温室气体减排诉求日趋强烈的今天，发展低碳农业已刻不容缓。但同时，我们对低碳农业理念有多少了解？这些年我国低碳农业发展处于什么水平、变化轨迹与发展趋势如何？省域间低碳农业效率存在何种差异、是否具有空间收敛性？导致我国低碳农业生产率变动的关键性因素是什么？很显然，对这些问题进行有效解读将有助于增进我们对中国低碳农业发展现状及其基本特征的宏观认知，进而理论与实际结合，构建更为合理的政策体系，为加快推进我国低碳农业发展步伐、切实践行生态文明建设方针奠定坚实基础。 有鉴于此，《中国低碳农业发展的生产效率研究》以低碳农业为研究对象，首先系统梳理了国内外相关文献，对其所涉及的一些重要概念及相关理论进行了回顾与总结，以确保研究根基。然后，对我国农业碳排放／碳汇量进行了全面核算并分析了其时空特征，一方面增强了我们的宏观认知，更为重要的是，为低碳农业生产率的测度提供了数据支撑，在此基础上，基于农业碳排放、农业碳汇以及农业投入产出数据，系统核算了我国低碳农业生产率，并深入探究了其增长源泉、时序演变规律、区域分异特点、动态演进及收敛性。紧接着，分析了影响我国低碳农业生产率增长的宏观因素与低碳农业技术采纳的微观机理，从中探寻出了导致低碳农业水平发生变化的关键动因。最后在总结并借鉴国外低碳农业发展经验的基础上，有针对性地提出了对策建议，以期为我国更好地践行生态文明理念、推进低碳农业发展提供必要的数据支撑与理论依据。具体而言，《中国低碳农业发展的生产效率研究》研究内容主要分为文献综述与理论基础（一、第二章）、农业碳排放／碳汇现状分析（第三章）、低碳农业生产率测度及其时空特征分析（第四、第五章）、低碳农业生产率与技术采纳的影响因素分析（第六章）、低碳农业发展政策体系构建（第七、第八、第九章）五大部分。
作者简介
田云(1986— )，湖北宜昌人。2015年6月毕业于华中农业大学经济管理学院，获管理学博士学位。现任职于中南财经政法大学工商管理学院农业经济管理系，副教授(试聘)，副系主任，主要从事农业经济方面的教学与研究工作。主要研究领域为农业经济理论与政策、农业资源与环境经济，以第一作者身份在《Journal of Integrative Agriculture》《中国农村观察》《中国人口·资源与环境》《自然资源学报》《资源科学》《经济地理》等SCI/CSSCI期刊发表论文二十余篇；主持教育部人文社科青年基金、中国博士后科学基金(一等资助)、湖北省人民政策智力成果采购项目等各类课题十余项；系列论文“中国农业碳排放问题研究”获第十届湖北省社会科学优秀成果二等奖。
本书特色
气候变化是当前人类社会面临最为严峻的全球环境问题之一。虽然关于气候变化成因和影响的学术争论一直存在，但不可否认，大气中温室气体浓度的增加是导致这一变化的重要因素。二、三产业是碳排放的主导部门，但快速发展的农业也是加速气候变化的重要诱因。在农业碳排放量持续上升、温室气体减排诉求日趋强烈的今天，发展低碳农业已刻不容缓。为了更好地提出推进低碳农业发展的对策建议，有必要明确其基本现状与主要特征。鉴于此，本书以低碳农业生产率为切入点，围绕其时序演变规律、空间分异特征及影响机理展开了系统性探索。研究发现：我国低碳农业生产率增长总体偏慢，且主要依赖于农业前沿技术的进步而非农业技术效率的改善；同时呈现较为明显的空间非均衡性，即东部最、中部次之、西部最，目前地区差距正逐步缩小并表现出分散化的区域集聚特征；影响我国低碳农业生产率变化的因素虽处于不断变化之中，但与产业结构调整关联不大，而生产实践中的低碳农业技术采纳与否与户主个人特征紧密相关；在推进低碳农业发展的过程中，既要注重宏观政策体系与中观协同机制的构建与完善，也需关注农户低碳农业生产技术的选择偏好。
目录
第一章 社会化推荐系统（１）
１保薄∩缁峄推荐系统（３）
１保豹保薄∩缁峄推荐系统的形式化定义（４）
１保豹保病∩缁峄推荐系统的基本框架模型（６）
１保豹保场∩缁峁叵岛屯络模型的构建（７）
１保病∩缁峄推荐生成技术（１０）
１保勃保薄』于网络图模型的推荐方法（１１）
１保勃保病【卣蠓纸夥椒ǎǎ保矗
１保勃保场∫蜃臃纸饣模型（ｆａｃｔｏｒｉｚａｔｉｏｎｍａｃｈｉｎｅ） （１９）
１保勃保础「怕誓Ｐ停ǎ玻埃
１保场∩缁峄推荐系统研究的热点和难点（２５）
１保础〗嵊铮ǎ玻福
本章参考文献（２９）
第二章 基于位置的移动社会化网络推荐系统（４０）
２保薄』于位置的社会化网络（４０）
２保豹保薄』于位置的社会化网络的基本定义及３＋１ 框架模型（４０）
２保豹保病』于位置的社会化网络的数据特征（４２）
２保病』于位置的移动社会化网络推荐系统（４４）
２保勃保薄』于位置的移动社会化网络推荐系统基本特征（４４）
２保勃保病』于位置的移动社会化网络推荐系统框架（４６）
２保场』于位置的移动社会化网络推荐方法（４８）
２保唱保薄∪诤仙缁峁叵档幕于位置的协同过滤推荐（４８）
２保唱保病』于移动用户位置活动划分的图模型推荐（５０）
２保唱保场』于移动用户位置轨迹相似的好友推荐（５１）
２保唱保础《辔上下文感知用户偏好学习及移动推荐（５２）
２保础∮τ媒展（５４）
２保怠〗嵊铮ǎ担担
本章参考文献（５５）
第三章 基于位置的协同过滤移动网络服务推荐方法（６３）
３保薄∫言（６３）
３保病∠喙刂识（６６）
３保勃保薄⌒同过滤推荐算法（６６）
３保勃保病∩舷挛男畔⒂氪统推荐算法的融合（６７）
３保场』于位置的用户—网络服务特征模型（６８）
３保唱保薄』本数据模型（６８）
３保唱保病』于位置的移动用户偏好特征（７０）
３保础∫贫用户之间的信任关系（７２）
３保椽保薄≈苯雍糜压叵担ǎ罚玻
３保椽保病〖浣雍糜压叵担ǎ罚常
３保怠』于用户位置的网络服务推荐（７４）
３保氮保薄』于移动用户位置的网络服务推荐基本框架（７４）
３保氮保病』于移动用户位置的网络服务推荐（７５）
３保丁⌒阅芊治觯ǎ罚梗
３保丢保薄∈据稀疏性及冷启动问题（７９）
３保丢保病「丛佣确治觯ǎ福埃
３保贰∈笛橛敕治觯ǎ福埃
３保藩保薄∈笛槭据集（８０）
３保藩保病∑兰壑副辏ǎ福保
３保藩保场∈笛榻峁及分析（８２）
３保浮〗嵊铮ǎ梗担
本章参考文献（９６）
第四章 基于移动用户活动区域划分的图模型位置信息
推荐方法（９９）
４保薄∫言（９９）
４保病∠喙毓ぷ鳎ǎ保埃保
４保场』于用户活动区域划分的图模型推荐方法（１０３）
４保唱保薄∫贫用户位置活动区域的确定与划分（１０３）
４保唱保病』于用户位置活动区域的图模型构建（１０５）
４保唱保场⊥萍鼋峁的生成（１０７）
４保础∈笛橛敕治觯ǎ保埃梗
４保椽保薄∈笛槭据集（１０９）
４保椽保病∑兰壑副昙岸员仁笛椋ǎ保保矗
４保椽保场∈笛榻峁与分析（１１５）
４保怠〗嵊铮ǎ保保叮
本章参考文献（１１７）
第五章 基于移动用户签到位置轨迹相似的近邻好友
推荐方法（１２１）
５保薄∫言（１２１）
５保病∠喙毓ぷ鳎ǎ保玻常
５保勃保薄』于位置的社会化网络好友推荐方法（１２３）
５保勃保病』于位置的社会化网络用户的位置移动性与社会关系的关联性（１２４）
５保场∥侍饷枋觯ǎ保玻担
５保础∮没签到位置的时空特性（１２６）
５保椽保薄∮没У那┑狡德剩ǎ保玻叮
５保椽保病∠嗔诹礁銮┑轿恢玫阒间的移动速度（１２７）
５保怠』于用户签到位置轨迹相似的近邻好友推荐（１２９）
５保氮保薄』于时间周期的用户签到位置轨迹构建（１２９）
５保氮保病∮没签到位置轨迹中重要区域的识别（１３１）
５保氮保场」旒ＤＪ嚼嘈停ǎ保常矗
５保氮保础∮没签到位置轨迹相似性（１３６）
５保氮保怠』于用户签到位置轨迹的近邻好友推荐（１３７）
５保丁∈笛橛敕治觯ǎ保常福
５保丢保薄∈笛槭据及推荐效果的评价指标（１３８）
５保丢保病∈笛樯杓萍敖峁分析（１３９）
５保贰〗嵊铮ǎ保矗常
本章参考文献（１４３）
第六章 基于位置等多维上下文感知的移动前摄
推荐方法（１４７）
６保薄∫言（１４７）
６保病∫贫网络环境中的基本数据模型（１４８）
６保场《辔上下文感知下用户适应性选择偏好学习方法（１４９）
６保唱保薄∩舷挛挠跋煲蛩氐娜范ǎǎ保矗梗
６保唱保病《辔上下文感知下用户适应性选择层次分析
模型（１５１）
６保唱保场∷惴描述及复杂性分析（１５６）
６保础∫贫用户多维上下文环境下动态转移（１６０）
６保怠∫贫前摄推荐策略（１６２）
６保丁∈笛橛敕治觯ǎ保叮常
６保丢保薄∈笛槭据集（１６３）
６保丢保病《杂没行为选择有影响的上下文类型的确定（１６３）
６保丢保场∮呕选择参数及μ训练数据集对学习准确率的影响（１６４）
６保丢保础⊥萍鼋峁分析（１６７）
６保贰〗嵊铮ǎ保叮梗
本章参考文献（１７０）
第七章 总结与展望（１７３）
７保薄∽芙幔ǎ保罚常
７保病≌雇 （１７６）
节选
推荐系统作为一种有效的信息过滤手段，是当前解决信息过载问题及实现个性化信息服务的有效方法之一。目前主流推荐系统可以分为四类［1］：基于内容的推荐、协同过滤推荐、基于知识的推荐和组合推荐。基于内容的推荐源于信息检索技术，不依赖于用户对项目的评价信息，侧重考察候选推荐项目与用户特征的匹配程度。协同过滤推荐主要包括两类：一类是基于模型的方法。此方法利用概率统计模型或者机器学习方法，在训练集上构建用户特征模型(比如线性规划模型、统计模型、贝叶斯模型、概率相关模型、决策树模型、图模型、最大熵模型等），依此进行推荐。它的优点在于稳定性好，缺点在于训练时间长、计算复杂性高。另一类是启发式方法，也是目前应用比较普遍的一种协同过滤推荐方法，该方法需要建立用户—项目评分矩阵，根据相似用户具有相似偏好的假设进行推荐。在用户评分信息充分的情况下，通过相似度的计算，可以快速为用户找到偏好相似的其他用户，从而实现协同推荐。但是在冷启动情况下，即用户评分信息很少，或者没有评分信息时，此方法就显得无能为力了。因为在这种情况下，此方法找不到与该用户有相似评分模型的其他用户，也就不能基于相似用户的偏好也相似的假设进行推荐。基于知识的推荐是一种基于特定领域规则或实例的推理方法，其优点在于不需要建立用户需求偏好模型，缺点是难以制定合理的推理规则。组合推荐是为了克服上述各种推荐技术的弱点，对3种推荐方法的组合应用，其中基于内容的推荐与协同过滤推荐组合是目前应用比较广泛的一种。
为了解决冷启动问题，学者们提出了社会化（social recommendation）推荐方法［2,3］。这种方法主要根据用户之间的社会关系信息，构建用户之间的社会化关系网络，对于一个新用户，只要网络中存在一个用户与此用户有直接或者间接的社会关系，就可以根据这种社会关系和已知用户的兴趣模型，对新用户产生适宜推荐。这种推荐策略是合理的、科学的，一方面源于社会网络分析（social network analysis，SNA）的重要研究成果［4］：网络社区中，相互联系的群体，受社会因素的相互影响，往往表现出相似的兴趣爱好及行为规范；另一方面，伴随着具有Web 20特征的社会化网络的广泛应用，特别是在线社交网络的盛行，网络用户之间的活动行为表现得越来越社区化和网络化。此外，在线社会化网络的数据分析结果也证明了社会化网络推荐模型的正确性，而且用户的社会属性信息确实能够提高推荐系统的性能。这使社会化推荐系统逐渐发展成为一个独立的研究方向，并引起国内外学者的研究热情。
目前，社会化推荐系统逐渐成为推荐系统领域的重要研究热点方向之一。有许多大学和研究机构对社会化推荐系统的理论、方法及应用展开了深入的研究［5—14］。同时ACM推荐系统年会（ACM Conference on Recommender Systems，RecSys）自 2009 年开始涉及社会化推荐系统的专题讨论会（Workshop on Recommender Systems & the Social Web［15］），在2011年的专题研讨会上指出了社会化推荐系统领域的几个发展和研究主题［16］，讨论了该领域的研究热点和难点：①案例研究及新的社会化推荐应用；②以社区为基础的系统体制（economy of community瞓ased systems）：利用推荐系统鼓励用户持久的参与；③社会化网络与大众分类法的进展：朋友、标签、书签、博客、音乐、社区推荐，等等；④推荐系统的跨界应用，Web 20用户界面及多媒介的推荐系统；⑤系统知识创作和综合人工智能；⑥在推荐过程中直接涉及的用户或者社团推荐应用；⑦利用大众分类法、社会化网络信息、交互信息、用户背景及社团等的推荐方法；⑧有信任和信誉意识的社会化推荐；⑨利用本体论或者微格局的语义网络推荐系统；⑩社会化推荐技术的经验评估：成功和失败方法。在2013年的专题讨论会［17］上，又进一步提出以下4个发展方向：①异构网络上的社会化推荐；②社会化推荐中的隐私保护问题；③移动社会化推荐；④社交网络与用户—项目关系网络的融合推荐。社会化推荐系统满足了互联网中新问题和新技术发展要求，具有较高的研究价值和应用前景。特别是随着移动互联网发展与应用，移动社会化推荐系统的研究也逐渐引起学术界和工业界的极大关注，并且取得了阶段性研究成果［18］，例如移动业务推荐［19］、移动商务推荐［20—22］、基于位置的移动推荐服务［23,24］，等等。此外，移动社交网络的位置签到与位置共享功能的出现，为获取用户日常社会活动的时空数据提供了新的途径，从而推动了基于位置的社会化网络推荐系统的兴起与发展［25—28］。
