微博用户兴趣的提取和动态建模
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-12页 |
| 1.2 相关研究状况 | 第12-15页 |
| 1.2.1 用户兴趣挖掘研究现状 | 第12-13页 |
| 1.2.2 用户建模研究现状 | 第13-15页 |
| 1.3 本文的主要研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 相关理论 | 第17-31页 |
| 2.1 在线社交网络 | 第17-19页 |
| 2.1.1 微博网络 | 第18-19页 |
| 2.1.2 微博用户行为 | 第19页 |
| 2.2 自然语言处理概述 | 第19-27页 |
| 2.2.1 中文分词技术 | 第20-22页 |
| 2.2.2 自然语言模型 | 第22-23页 |
| 2.2.3 词语的词向量表示 | 第23-27页 |
| 2.3 基于内容挖掘用户兴趣研究 | 第27-29页 |
| 2.3.1 聚类方法介绍 | 第27页 |
| 2.3.2 TF-IDF关键词提取算法 | 第27-29页 |
| 2.3.3 LDA主题模型 | 第29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于微博内容的用户兴趣挖掘 | 第31-39页 |
| 3.1 用户微博聚类挖掘用户兴趣 | 第31-33页 |
| 3.2 基于LDA主题模型挖掘用户兴趣 | 第33-35页 |
| 3.3 基于词向量的词聚类方法 | 第35-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 用户兴趣的动态建模研究 | 第39-55页 |
| 4.1 用户兴趣的动态建模 | 第39-41页 |
| 4.1.1 问题描述 | 第39页 |
| 4.1.2 解决方案 | 第39-41页 |
| 4.2 基于马尔科夫模型的用户兴趣转移建模 | 第41-48页 |
| 4.2.1 马尔科夫过程与马尔科夫链 | 第41-43页 |
| 4.2.2 用户兴趣平稳分布 | 第43-44页 |
| 4.2.3 用户兴趣转移概率矩阵 | 第44-47页 |
| 4.2.4 基于用户模型的内容推荐系统 | 第47-48页 |
| 4.3 实验分析 | 第48-53页 |
| 4.3.1 基于兴趣动态建模的有效性 | 第48-50页 |
| 4.3.2 基于兴趣转移模型的内容推荐 | 第50-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 攻读学位期间发表的学术论文目录 | 第63页 |
