微博中智能化用户推荐系统的研究和应用
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第10-25页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 推荐系统概述 | 第12-18页 |
| 1.2.1 推荐系统的主要方法 | 第13-15页 |
| 1.2.2 推荐系统的评价方法 | 第15-16页 |
| 1.2.3 推荐系统面临的问题 | 第16-18页 |
| 1.3 国内外研究现状 | 第18-21页 |
| 1.3.1 国外研究现状 | 第18-20页 |
| 1.3.2 国内研究现状 | 第20-21页 |
| 1.4 本文的研究内容 | 第21-25页 |
| 1.4.1 腾讯微博用户推荐比赛简介 | 第21-22页 |
| 1.4.2 研究内容 | 第22-24页 |
| 1.4.3 本文的结构安排 | 第24-25页 |
| 第2章 数据分析和基准预测模型 | 第25-38页 |
| 2.1 数据分析 | 第25-31页 |
| 2.1.1 数据集的介绍和分析 | 第25-30页 |
| 2.1.2 评价标准 | 第30页 |
| 2.1.3 数据集的划分 | 第30-31页 |
| 2.2 基准预测模型 | 第31-36页 |
| 2.2.1 基于社交关系 | 第31-33页 |
| 2.2.2 基于项目流行度 | 第33-35页 |
| 2.2.3 基于项目内容相似度 | 第35-36页 |
| 2.3 实验结果及分析 | 第36-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第3章 邻居模型 | 第38-44页 |
| 3.1 基于用户的邻居模型 | 第38-41页 |
| 3.1.1 传统模型介绍 | 第38-39页 |
| 3.1.2 模型的改进 | 第39-41页 |
| 3.2 基于项目的邻居模型 | 第41-42页 |
| 3.2.1 传统模型介绍 | 第41-42页 |
| 3.2.2 模型的改进 | 第42页 |
| 3.3 实验结果及分析 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 潜在因子模型 | 第44-58页 |
| 4.1 矩阵分解模型 | 第44-46页 |
| 4.2 贝叶斯个性化排序模型 | 第46-47页 |
| 4.3 融入社交关系的非对称因子模型 | 第47-49页 |
| 4.4 融入上下文信息的非对称因子模型 | 第49-54页 |
| 4.4.1 融入年龄和性别信息 | 第50-51页 |
| 4.4.2 融入目录结构和关键词信息 | 第51-52页 |
| 4.4.3 融入会话的时间上下文信息 | 第52-54页 |
| 4.5 实验结果及分析 | 第54-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 模型组合方法 | 第58-68页 |
| 5.1 线性回归组合方法 | 第58-59页 |
| 5.2 神经网络方法 | 第59-61页 |
| 5.3 后处理 | 第61页 |
| 5.4 实验结果及分析 | 第61-64页 |
| 5.4.1 实验设置 | 第61-62页 |
| 5.4.2 实验结果及分析 | 第62-64页 |
| 5.5 比赛结果的分析和讨论 | 第64-67页 |
| 5.6 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-71页 |
| 6.1 本文工作总结 | 第68-69页 |
| 6.2 未来工作展望 | 第69-71页 |
| 参考文献 | 第71-78页 |
| 攻读硕士学位期间主要的研究成果 | 第78-79页 |
| 致谢 | 第79页 |
