| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 本文主要工作和组织结构 | 第15-17页 |
| 第二章 背景回顾 | 第17-32页 |
| 2.1 开源搜索引擎 | 第17-20页 |
| 2.1.1 网络爬虫 | 第18-19页 |
| 2.1.2 文本预处理 | 第19页 |
| 2.1.3 分词 | 第19-20页 |
| 2.1.4 去噪 | 第20页 |
| 2.2 文档模型 | 第20-28页 |
| 2.2.1 VSM模型 | 第20-22页 |
| 2.2.2 Unigram模型 | 第22-23页 |
| 2.2.3 LSA模型 | 第23-24页 |
| 2.2.4 pLSA模型 | 第24-26页 |
| 2.2.5 LDA模型 | 第26-28页 |
| 2.3 推荐系统 | 第28-31页 |
| 2.3.1 基于协同过滤的推荐系统 | 第28-29页 |
| 2.3.2 基于内容的推荐系统 | 第29页 |
| 2.3.3 基于模型的推荐系统 | 第29-30页 |
| 2.3.4 推荐算法的比较 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 一种新的协同过滤非对称相似度算法 | 第32-47页 |
| 3.1 协同过滤算法 | 第33-34页 |
| 3.1.1 评分表示 | 第33页 |
| 3.1.2 近邻选择 | 第33-34页 |
| 3.1.3 产生推荐 | 第34页 |
| 3.2 传统相似度算法 | 第34-40页 |
| 3.2.1 余弦相似度 | 第34-36页 |
| 3.2.2 皮尔逊相似度 | 第36-39页 |
| 3.2.3 改进的余弦相似度 | 第39页 |
| 3.2.4 杰卡德-皮尔逊相似度 | 第39-40页 |
| 3.3 一种新的非对称皮尔逊相似度算法 | 第40-41页 |
| 3.4 实验结果 | 第41-46页 |
| 3.4.1 实验数据集 | 第41-43页 |
| 3.4.2 评价标准 | 第43页 |
| 3.4.3 实验方法 | 第43页 |
| 3.4.4 评分预测方法 | 第43-44页 |
| 3.4.5 实验结果 | 第44-46页 |
| 3.5 本章总结 | 第46-47页 |
| 第四章 一种改进的半监督LDA主题模型 | 第47-59页 |
| 4.1 LDA主题模型 | 第47-53页 |
| 4.1.1 LDA模型参数 | 第48-49页 |
| 4.1.2 LDA生成模型 | 第49-51页 |
| 4.1.3 LDA模型的超参数 | 第51页 |
| 4.1.4 LDA模型的训练 | 第51-53页 |
| 4.2 半监督LDA主题模型 | 第53-58页 |
| 4.3 本章总结 | 第58-59页 |
| 第五章 社会化推荐系统的设计与实现 | 第59-86页 |
| 5.1 半监督LDA主题模型 | 第60-67页 |
| 5.1.1 新浪微博数据的抓取 | 第60-62页 |
| 5.1.2 主题模型的训练 | 第62-63页 |
| 5.1.3 主题模型的验证 | 第63-67页 |
| 5.2 用户兴趣主题模型 | 第67-79页 |
| 5.2.1 基本的用户兴趣主题模型 | 第68页 |
| 5.2.2 基本用户兴趣主题模型的分析 | 第68-69页 |
| 5.2.3 基本用户兴趣主题模型的验证 | 第69-71页 |
| 5.2.4 时间顺序加权因子 | 第71-73页 |
| 5.2.5 OWF-Max-Weibo用户兴趣模型 | 第73-74页 |
| 5.2.6 OWF-Max-Weibo用户兴趣模型的验证 | 第74-77页 |
| 5.2.7 三种兴趣模型的比较验证 | 第77-79页 |
| 5.3 推荐对象模型 | 第79-80页 |
| 5.4 社会化推荐系统 | 第80-84页 |
| 5.4.1 巴氏距离 | 第80-81页 |
| 5.4.2 社会化推荐系统 | 第81页 |
| 5.4.3 社会化推荐系统的验证 | 第81-83页 |
| 5.4.4 社会化推荐系统的优缺点和改进 | 第83-84页 |
| 5.5 本章总结 | 第84-86页 |
| 第六章 总结与展望 | 第86-88页 |
| 参考文献 | 第88-91页 |
| 致谢 | 第91页 |