| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 User Profile | 第10-11页 |
| 1.2.2 微博个性化推荐 | 第11-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第2章 User Profile基础理论与相关技术 | 第15-23页 |
| 2.1 User Profile基础 | 第15-18页 |
| 2.1.1 用户模型 | 第15-17页 |
| 2.1.2 用户兴趣信息的获取方式 | 第17-18页 |
| 2.2 标签 | 第18-22页 |
| 2.2.1 标签简介 | 第18-19页 |
| 2.2.2 相关技术 | 第19-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 基于User Profile的微博信息推荐方法 | 第23-37页 |
| 3.1 数据采集 | 第23-24页 |
| 3.2 噪音微博的过滤 | 第24-25页 |
| 3.3 微博User Profile | 第25-30页 |
| 3.3.1 用户基本属性维度 | 第25-26页 |
| 3.3.2 用户兴趣维度 | 第26-29页 |
| 3.3.3 标签权重计算 | 第29-30页 |
| 3.4 基于隐马尔可夫模型的用户模型 | 第30-31页 |
| 3.4.1 隐马尔可夫模型 | 第30-31页 |
| 3.4.2 基于HMM的微博用户模型 | 第31页 |
| 3.5 个性化微博用户推荐 | 第31-33页 |
| 3.5.1 用户相似度计算 | 第31-32页 |
| 3.5.2 个性化用户推荐算法 | 第32-33页 |
| 3.6 用户亲密度 | 第33页 |
| 3.7 个性化微博推荐 | 第33-35页 |
| 3.7.1 评分公式 | 第33-34页 |
| 3.7.2 个性化微博推荐算法 | 第34-35页 |
| 3.8 本章小结 | 第35-37页 |
| 第4章 微博个性化推荐系统设计与实现 | 第37-45页 |
| 4.1 概述 | 第37页 |
| 4.2 系统简介 | 第37-38页 |
| 4.3 系统整体框架 | 第38-40页 |
| 4.4 系统模块设计 | 第40-44页 |
| 4.4.1 数据采集模块 | 第40页 |
| 4.4.2 预处理模块 | 第40页 |
| 4.4.3 创建Profile模块 | 第40-42页 |
| 4.4.4 个性化推荐模块 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 实验评估与结果分析 | 第45-59页 |
| 5.1 实验环境和工具 | 第45页 |
| 5.2 微博数据预处理 | 第45-48页 |
| 5.2.1 实验设计 | 第45-47页 |
| 5.2.2 实验结果及分析 | 第47-48页 |
| 5.3 User Profile的构建 | 第48-52页 |
| 5.3.1 User Profile | 第48-49页 |
| 5.3.2 实验结果及分析 | 第49-51页 |
| 5.3.3 其它用户模型建模 | 第51-52页 |
| 5.4 微博用户推荐 | 第52-55页 |
| 5.4.1 实验设计 | 第52页 |
| 5.4.2 数据集 | 第52-53页 |
| 5.4.3 评价方法 | 第53页 |
| 5.4.4 实验结果及分析 | 第53-55页 |
| 5.5 微博推荐 | 第55-58页 |
| 5.5.1 实验设计 | 第55页 |
| 5.5.2 数据集 | 第55页 |
| 5.5.3 评价方法 | 第55-56页 |
| 5.5.4 实验结果及分析 | 第56-58页 |
| 5.6 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的学术论文 | 第65-67页 |
| 致谢 | 第67-69页 |
| 附录 A | 第69-71页 |
| 附录 B | 第71页 |