| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 研究内容 | 第11-13页 |
| 1.3.1 问题提出 | 第11-12页 |
| 1.3.2 研究方案 | 第12-13页 |
| 1.4 文章组织结构 | 第13-15页 |
| 第二章 相关研究 | 第15-22页 |
| 2.1 相关技术 | 第15-18页 |
| 2.1.1 Doc2Vec词向量模型 | 第15-16页 |
| 2.1.2 XGBoost模型 | 第16-18页 |
| 2.2 社交网络性质 | 第18-19页 |
| 2.2.1 社交网络表示 | 第18页 |
| 2.2.2 社交网络社区结构 | 第18-19页 |
| 2.3 推荐算法介绍 | 第19-22页 |
| 2.3.1 基于用户特征的推荐 | 第19-20页 |
| 2.3.2 基于用户社交关系推荐 | 第20页 |
| 2.3.3 综合的好友推荐算法 | 第20-22页 |
| 第三章 融合用户行为特征的XGBOOST分类预测模型 | 第22-31页 |
| 3.1 相关研究 | 第22-23页 |
| 3.2 用户行为特征模型 | 第23-24页 |
| 3.2.1 特征筛选 | 第23-24页 |
| 3.2.2 特征分类 | 第24页 |
| 3.3 基于XGBOOST的预测模型 | 第24-26页 |
| 3.4 实验结果与分析 | 第26-30页 |
| 3.4.1 实验数据集 | 第26页 |
| 3.4.2 评价指标 | 第26-27页 |
| 3.4.3 特征变量系数评估 | 第27-29页 |
| 3.4.4 实验结果与比较 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于用户社区的好友推荐算法研究 | 第31-46页 |
| 4.1 相关研究 | 第31-32页 |
| 4.2 基于用户综合相似度的主题模型 | 第32-35页 |
| 4.2.1 文本预处理 | 第33页 |
| 4.2.2 Doc2Vec文本特征提取 | 第33-34页 |
| 4.2.3 用户综合相似度提取 | 第34-35页 |
| 4.3 基于社区发现的推荐算法 | 第35-38页 |
| 4.3.1 综合社区模块相似度引入 | 第35-36页 |
| 4.3.2 基于综合相似度的社区发现算法 | 第36-37页 |
| 4.3.3 基于社区发现的好友推荐流程 | 第37-38页 |
| 4.4 实验结果与分析 | 第38-45页 |
| 4.4.1 用户主题相似性结果与分析 | 第38-39页 |
| 4.4.2 社区划分实验结果与分析 | 第39-42页 |
| 4.4.3 推荐算法结果与分析 | 第42-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 总结和展望 | 第46-48页 |
| 5.1 工作总结 | 第46-47页 |
| 5.2 未来展望 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 在学期间的研究成果 | 第53-54页 |
| 致谢 | 第54页 |