基于粒子群算法的微博用户推荐系统
| 摘要 | 第1-5页 |
| 英文摘要 | 第5-8页 |
| 1 绪论 | 第8-16页 |
| ·课题的研究背景及意义 | 第8-10页 |
| ·国内外研究现状 | 第10-13页 |
| ·微博数据采集技术 | 第10-12页 |
| ·微博用户推荐技术 | 第12-13页 |
| ·粒子群算法研究 | 第13页 |
| ·课题来源 | 第13-14页 |
| ·论文主要研究内容和结构 | 第14-16页 |
| 2 微博数据采集和用户推荐相关理论 | 第16-26页 |
| ·微博数据采集 | 第16-21页 |
| ·网络爬虫技术 | 第16-18页 |
| ·网页信息抽取技术 | 第18-21页 |
| ·微博用户推荐 | 第21-25页 |
| ·用户关系理论基础 | 第21-22页 |
| ·用户影响力评价 | 第22-24页 |
| ·微博推荐系统研究 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 基于模拟登录的微博爬虫系统 | 第26-41页 |
| ·微博推荐数据规范 | 第26-28页 |
| ·基于模拟登录的微博爬虫系统 | 第28-35页 |
| ·模拟登录 | 第29-31页 |
| ·数据采集 | 第31-33页 |
| ·数据存储 | 第33-35页 |
| ·实验结果及分析 | 第35-40页 |
| ·模拟登录实验环境 | 第35-36页 |
| ·MCSSL性能分析 | 第36-37页 |
| ·微博社交网络数据分析 | 第37-40页 |
| ·本章小结 | 第40-41页 |
| 4 基于粒子群的微博用户推荐系统 | 第41-61页 |
| ·基于粒子群算法的用户影响力评价 | 第41-47页 |
| ·群体智能与微博用户行为 | 第41-43页 |
| ·基于改进粒子群的用户影响力度分析 | 第43-45页 |
| ·算法结果分析 | 第45-47页 |
| ·基于属性权重的K-means优化算法 | 第47-51页 |
| ·K-means与推荐系统 | 第47-48页 |
| ·基于属性权重的K-means优化算法 | 第48-50页 |
| ·算法结果分析 | 第50-51页 |
| ·基于粒子群的微博用户推荐系统 | 第51-60页 |
| ·系统结构 | 第52-55页 |
| ·实验评价指标 | 第55-56页 |
| ·实验结果分析 | 第56-60页 |
| ·本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读学位期间发表的相关学术论文及研究成果 | 第68页 |
