社会化用户模型研究及其在推荐系统中的应用
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 第1章 绪论 | 第14-30页 |
| 1.1 社交媒体中用户模型研究背景 | 第14-15页 |
| 1.2 社会化用户模型研究意义 | 第15-18页 |
| 1.3 国内外相关研究概况 | 第18-26页 |
| 1.3.1 用户模型研究 | 第18-20页 |
| 1.3.2 社会化用户模型研究 | 第20-22页 |
| 1.3.3 推荐服务研究 | 第22-24页 |
| 1.3.4 社区兴趣研究 | 第24-26页 |
| 1.4 主要存在问题及缺陷 | 第26-27页 |
| 1.5 本文研究内容 | 第27-28页 |
| 1.6 本文组织结构 | 第28-30页 |
| 第2章 社会化用户模型相关理论基础 | 第30-43页 |
| 2.1 用户模型构建 | 第30-36页 |
| 2.1.1 内容兴趣获取 | 第30-33页 |
| 2.1.2 语义兴趣构建 | 第33-35页 |
| 2.1.3 用户模型表示 | 第35-36页 |
| 2.2 社会化用户模型构建 | 第36-39页 |
| 2.2.1 社会化属性关系 | 第36-37页 |
| 2.2.2 社会化用户模型表示 | 第37-38页 |
| 2.2.3 社会化用户模型特性分析 | 第38-39页 |
| 2.3 语义多样性推荐算法 | 第39-40页 |
| 2.4 社区划分基本方法 | 第40-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第3章 基于邻域用户模型的语义扩展与主题推荐 | 第43-64页 |
| 3.1 引言 | 第43-44页 |
| 3.2 邻域用户模型构建框架 | 第44-45页 |
| 3.3 扩展用户模型生成算法 | 第45-47页 |
| 3.4 邻域用户模型语义扩展方法 | 第47-54页 |
| 3.4.1 邻域关系计算 | 第47-49页 |
| 3.4.2 邻域用户模型生成 | 第49-52页 |
| 3.4.3 邻域用户模型分析 | 第52-54页 |
| 3.5 基于邻域用户模型的主题推荐方法 | 第54-55页 |
| 3.6 实验评估 | 第55-63页 |
| 3.6.1 数据描述 | 第55-56页 |
| 3.6.2 评价指标 | 第56-57页 |
| 3.6.3 主题推荐评估 | 第57-61页 |
| 3.6.4 兴趣扩展分析 | 第61-63页 |
| 3.7 本章小结 | 第63-64页 |
| 第4章 社会化用户模型多粒度兴趣关系好友推荐 | 第64-77页 |
| 4.1 引言 | 第64-65页 |
| 4.2 多粒度相似好友推荐框架 | 第65-67页 |
| 4.3 多粒度兴趣关系计算 | 第67-71页 |
| 4.3.1 基于微博内容的兴趣关系 | 第67-68页 |
| 4.3.2 基于语义的兴趣关系 | 第68-71页 |
| 4.3.3 多粒度兴趣关系 | 第71页 |
| 4.4 多粒度好友推荐方法 | 第71-72页 |
| 4.5 实验评估 | 第72-75页 |
| 4.5.1 数据描述 | 第72-73页 |
| 4.5.2 实验设计 | 第73页 |
| 4.5.3 实验结果 | 第73-75页 |
| 4.6 本章小结 | 第75-77页 |
| 第5章 个性化热点主题的多样性微博推荐 | 第77-95页 |
| 5.1 引言 | 第77-78页 |
| 5.2 个性化热点主题多样性推荐模型 | 第78-79页 |
| 5.3 热点主题发现 | 第79-83页 |
| 5.3.1 主题划分 | 第79-80页 |
| 5.3.2 主题实际流行度 | 第80-82页 |
| 5.3.3 主题预测流行度 | 第82-83页 |
| 5.4 主题多样性选择算法 | 第83-85页 |
| 5.4.1 多样化问题 | 第83-84页 |
| 5.4.2 Max Min算法子集选择 | 第84-85页 |
| 5.5 个性化热点主题多样性推荐 | 第85-87页 |
| 5.5.1 个性化关注 | 第85-86页 |
| 5.5.2 个性化热点主题推荐 | 第86-87页 |
| 5.6 实验评估 | 第87-94页 |
| 5.6.1 数据集与实验描述 | 第87-88页 |
| 5.6.2 流行度实验分析 | 第88-92页 |
| 5.6.3 推荐结果实验分析 | 第92-94页 |
| 5.7 本章小结 | 第94-95页 |
| 第6章 社区中关键用户的发现及兴趣演化分析 | 第95-107页 |
| 6.1 引言 | 第95-96页 |
| 6.2 兴趣演化框架模型 | 第96-97页 |
| 6.3 关键用户发现方法 | 第97-99页 |
| 6.3.1 关键用户的定义 | 第97-98页 |
| 6.3.2 社区中关键用户识别算法 | 第98-99页 |
| 6.4 关键用户兴趣演化分析 | 第99-102页 |
| 6.4.1 基于时间窗的关键用户发现 | 第99-101页 |
| 6.4.2 社区中关键用户兴趣演化分析 | 第101-102页 |
| 6.5 实验评估 | 第102-106页 |
| 6.5.1 数据集与实验描述 | 第102-103页 |
| 6.5.2 社区关键用户结果分析 | 第103-104页 |
| 6.5.3 社区兴趣演化结果分析 | 第104-106页 |
| 6.6 本章小结 | 第106-107页 |
| 第7章 总结与展望 | 第107-110页 |
| 7.1 本文主要结论 | 第107-108页 |
| 7.2 未来工作展望 | 第108-110页 |
| 参考文献 | 第110-121页 |
| 作者在攻读博士学位期间取得的成果 | 第121-122页 |
| 作者在攻读博士学位期间所作的项目 | 第122-123页 |
| 致谢 | 第123-124页 |
