| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 引言 | 第7-8页 |
| 1.2 云南省网络党建概述 | 第8-9页 |
| 1.3 信息推送服务相关工作 | 第9-10页 |
| 1.4 本文研究的主要内容 | 第10-13页 |
| 第二章 中文分词技术相关理论概述及JAVA工具 | 第13-21页 |
| 2.1 中文分词技术分类 | 第13-15页 |
| 2.2 Hanlp分词工具和IKAnalyzer分词工具 | 第15-20页 |
| 2.2.1 HanLP分词工具 | 第15-17页 |
| 2.2.2 IKAnalyzer分词工具 | 第17-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 基于LDA模型的党建信息推送策略 | 第21-29页 |
| 3.1 LDA主题生成模型 | 第21-23页 |
| 3.2 LDA模型求解与Gibbs抽样 | 第23-25页 |
| 3.3 文档主题抽取及党员偏好分析 | 第25-28页 |
| 3.3.1 输入内容 | 第25-26页 |
| 3.3.2 LDA模型假设 | 第26页 |
| 3.3.3 党员反馈矩阵 | 第26-27页 |
| 3.3.4 党员偏好分析 | 第27-28页 |
| 3.4 评价标准 | 第28页 |
| 3.5 本章小结 | 第28-29页 |
| 第四章 使用Word2Vec和AP Cluster的标签聚类党建信息个性化推送策略 | 第29-47页 |
| 4.1 基于深度学习模型的Word2Vec | 第29-38页 |
| 4.1.1 词向量 | 第29-30页 |
| 4.1.2 统计语言模型 | 第30-32页 |
| 4.1.3 深度学习 | 第32-34页 |
| 4.1.4 文本深度表示模型Word2Vec | 第34-38页 |
| 4.2 仿射传播聚类 | 第38-41页 |
| 4.3 标签聚类党建手机报个性化推荐算法 | 第41-44页 |
| 4.4 使用Word2Vec AP Cluster的标签聚类党建信息个性化推送策略 | 第44-45页 |
| 4.5 评价标准 | 第45-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第五章 实验与分析 | 第47-61页 |
| 5.1 实验数据 | 第47页 |
| 5.2 基于LDA模型的党建信息推送策略 | 第47-53页 |
| 5.2.1 Gibbs抽样算法Burn-in及Thinning间距的选择以及主题数目的确定 | 第47-48页 |
| 5.2.2 实验结果分析 | 第48-53页 |
| 5.3 基于Word2Vec和APCluster的仿真 | 第53-59页 |
| 5.3.1 党建手机报文本预处理 | 第53页 |
| 5.3.2 实验结果分析 | 第53-59页 |
| 5.4 本章小结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文及研究成果 | 第67-69页 |
| 致谢 | 第69页 |
