基于微博信息的组合推荐算法设计与实现
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 目录 | 第6-8页 |
| 图目录 | 第8-9页 |
| 表目录 | 第9-10页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 冷启动问题现状综述 | 第12-14页 |
| 1.3 主要工作 | 第14页 |
| 1.4 论文结构 | 第14-16页 |
| 第2章 基于微博信息的组合推荐模型 | 第16-25页 |
| 2.1 微博用户推荐问题描述 | 第16页 |
| 2.2 基于人口统计特征的用户聚类模型 | 第16-18页 |
| 2.3 基于用户组的内容流行程度模型 | 第18-19页 |
| 2.4 基于用户组的隐语义模型 | 第19-21页 |
| 2.5 基于KNN的Top-N推荐模型 | 第21-23页 |
| 2.6 基于微博信息的组合推荐模型 | 第23-25页 |
| 第3章 算法设计与评估 | 第25-40页 |
| 3.1 数据集 | 第25-27页 |
| 3.1.1 数据集描述 | 第25-26页 |
| 3.1.2 数据预处理工作 | 第26-27页 |
| 3.2 算法设计与实现 | 第27-31页 |
| 3.2.1 基于人口统计特征的聚类算法 | 第27-29页 |
| 3.2.2 基于Spark的k近邻算法 | 第29-31页 |
| 3.3 数据集可视化设计与实现 | 第31-35页 |
| 3.3.1 数据分布可视化 | 第31-33页 |
| 3.3.2 人口统计学模型可视化 | 第33-35页 |
| 3.4 基于层次分析法的评估模型 | 第35-40页 |
| 第4章 算法实现与实验分析 | 第40-51页 |
| 4.1 Spark平台配置搭建 | 第40-43页 |
| 4.2 初始性能 | 第43-45页 |
| 4.3 调优因子分析 | 第45-48页 |
| 4.3.1 数据调优 | 第45-46页 |
| 4.3.2 Spark平台调优 | 第46-48页 |
| 4.4 实验测评结果 | 第48页 |
| 4.5 算法比较 | 第48-51页 |
| 第5章 总结 | 第51-54页 |
| 5.1 本文总结 | 第51页 |
| 5.2 本文不足之处 | 第51-52页 |
| 5.3 未来研究工作展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间完成的科研成果 | 第57-58页 |
| 致谢 | 第58页 |
