| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第9-21页 |
| 1.1 研究背景及问题提出 | 第9-10页 |
| 1.2 国内外研究现状述评 | 第10-16页 |
| 1.2.1 网络定向广告国内外研究现状 | 第10-13页 |
| 1.2.2 主题相关度国内外研究现状 | 第13-15页 |
| 1.2.3 研究现状述评 | 第15-16页 |
| 1.3 本文的研究设计 | 第16-20页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 研究基本思路 | 第17-20页 |
| 1.3.3 研究的创新点 | 第20页 |
| 1.4 本章小结 | 第20-21页 |
| 第二章 相关理论基础 | 第21-30页 |
| 2.1 网络定向广告理论基础 | 第21-22页 |
| 2.1.1 网络定向广告的内涵 | 第21-22页 |
| 2.1.2 网络定向广告的分类 | 第22页 |
| 2.2 文本挖掘理论基础 | 第22-25页 |
| 2.2.1 数据预处理 | 第22-23页 |
| 2.2.2 特征提取 | 第23-24页 |
| 2.2.3 聚类分析 | 第24-25页 |
| 2.3 用户画像理论基础 | 第25-26页 |
| 2.4 向量空间模型(VSM) | 第26页 |
| 2.5 层次分析法(AHP) | 第26-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 用户主题特征提取及结构化描述 | 第30-39页 |
| 3.1 用户特征维度分析 | 第30-31页 |
| 3.2 用户主题特征提取 | 第31-32页 |
| 3.3 基于K-means算法的用户画像模型构建流程 | 第32-35页 |
| 3.3.1 数据获取 | 第33页 |
| 3.3.2 K-means聚类分析 | 第33页 |
| 3.3.3 用户画像特征提取 | 第33-35页 |
| 3.3.4 构建用户画像模型 | 第35页 |
| 3.4 用户主题特征向量缩减 | 第35-36页 |
| 3.5 用户主题特征向量权重分析 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 广告主题特征提取及结构化描述 | 第39-46页 |
| 4.1 广告主题特征维度分析 | 第39-40页 |
| 4.2 广告特征提取 | 第40-42页 |
| 4.2.1 文本广告分词 | 第40-42页 |
| 4.2.2 广告主题与关键词分析 | 第42页 |
| 4.3 具有语义特性的TF-IDF算法 | 第42-45页 |
| 4.3.1 TF-IDF算法分析 | 第43页 |
| 4.3.2 改进算法设计与实现 | 第43-45页 |
| 4.4 广告主题特征向量缩减 | 第45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 用户与广告的主题特征相关度匹配 | 第46-52页 |
| 5.1 相关度算法简介 | 第46-49页 |
| 5.1.1 距离测量法 | 第47页 |
| 5.1.2 相关度函数法 | 第47-48页 |
| 5.1.3 TF-IDF算法 | 第48-49页 |
| 5.2 相关度算法的比较与选择 | 第49-50页 |
| 5.2.1 相关度算法的比较 | 第49页 |
| 5.2.2 相关度算法的选择 | 第49-50页 |
| 5.3 基于余弦系数算法的主题相关度匹配 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第六章 网络定向广告投放实证研究 | 第52-66页 |
| 6.1 微博用户主题特征分析 | 第52-62页 |
| 6.1.1 用户标签分析 | 第56-57页 |
| 6.1.2 用户行为分析 | 第57-59页 |
| 6.1.3 用户画像构建 | 第59-60页 |
| 6.1.4 用户权重分析 | 第60-62页 |
| 6.2 广告主题特征分析 | 第62-64页 |
| 6.3 用户与广告主题相关度匹配 | 第64页 |
| 6.4 网络定向广告投放策略 | 第64-65页 |
| 6.5 本章小结 | 第65-66页 |
| 第七章 总结与展望 | 第66-68页 |
| 7.1 论文的主要工作及结论 | 第66-67页 |
| 7.2 研究的不足与展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71-72页 |
| 个人简历 | 第72页 |