| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-16页 |
| 1.1 研究背景与意义 | 第7-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 用户兴趣挖掘 | 第9-11页 |
| 1.2.2 个性化推荐算法 | 第11-13页 |
| 1.2.3 存在的问题及挑战 | 第13页 |
| 1.3 本文的主要工作及创新点 | 第13-15页 |
| 1.3.1 主要工作 | 第13-14页 |
| 1.3.2 主要创新点 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 第二章 微博特征分析及文本预处理 | 第16-25页 |
| 2.1 微博特征分析 | 第16-18页 |
| 2.1.1 微博的功能特征 | 第16页 |
| 2.1.2 微博的文本特征 | 第16-18页 |
| 2.2 文本预处理 | 第18-24页 |
| 2.2.1 文本去噪处理 | 第19-20页 |
| 2.2.2 中文分词处理 | 第20-22页 |
| 2.2.3 停用词过滤 | 第22-23页 |
| 2.2.4 特征提取 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 文本模型表示 | 第25-32页 |
| 3.1 模型对比及选择 | 第25-26页 |
| 3.2 LDA模型 | 第26-30页 |
| 3.2.1 符号定义及说明 | 第26-27页 |
| 3.2.2 模型的详细描述 | 第27-28页 |
| 3.2.3 模型的参数估计 | 第28-30页 |
| 3.3 基于LDA模型的微博文本表示 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于文本聚类与兴趣衰减的微博用户兴趣挖掘算法 | 第32-51页 |
| 4.1 问题描述 | 第32-33页 |
| 4.2 算法设计 | 第33-43页 |
| 4.2.1 同义词合并策略 | 第33-36页 |
| 4.2.2 二次Single-pass不完全聚类算法 | 第36-41页 |
| 4.2.3 基于时间因子的主题矩阵压缩方法 | 第41-42页 |
| 4.2.4 TCID-MUIM挖掘算法 | 第42-43页 |
| 4.3 实验设计与结果分析 | 第43-50页 |
| 4.3.1 实验数据来源与选取 | 第43-46页 |
| 4.3.2 主题有效性 | 第46-47页 |
| 4.3.3 主题差异性 | 第47-48页 |
| 4.3.4 兴趣挖掘效果对比 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于用户兴趣主题的多角度个性化微博推荐算法 | 第51-60页 |
| 5.1 问题描述 | 第51-52页 |
| 5.2 算法设计 | 第52-56页 |
| 5.2.1 微博重要度 | 第52-53页 |
| 5.2.2 用户对微博的兴趣度 | 第53-55页 |
| 5.2.3 MAMScore算法 | 第55-56页 |
| 5.3 实验设计与结果分析 | 第56-59页 |
| 5.3.1 实验准备 | 第56页 |
| 5.3.2 评估方法 | 第56-57页 |
| 5.3.3 实验结果分析 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 附录 | 第68-69页 |
| 图版 | 第69-70页 |
