面向微博系统的实时个性化推荐研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景及研究意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 研究现状及发展趋势 | 第13-15页 |
| 1.2.1 实时搜索服务 | 第13-14页 |
| 1.2.2 社交网络个性化推荐 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 组织结构 | 第16-17页 |
| 2 相关概念和技术 | 第17-29页 |
| 2.1 微博推荐 | 第17-19页 |
| 2.1.1 推荐系统介绍 | 第17-18页 |
| 2.1.2 微博 | 第18页 |
| 2.1.3 微博推荐 | 第18-19页 |
| 2.2 个性化推荐 | 第19-23页 |
| 2.2.1 个性化推荐的概念 | 第19页 |
| 2.2.2 个性化推荐的流程 | 第19-20页 |
| 2.2.3 个性化推荐算法 | 第20-23页 |
| 2.3 实时推荐 | 第23-24页 |
| 2.3.1 传统推荐模型及局限性 | 第23-24页 |
| 2.3.2 在线学习与实时推荐 | 第24页 |
| 2.4 索引架构 | 第24-25页 |
| 2.5 LDA主题模型 | 第25-28页 |
| 2.5.1 LDA主题模型简介 | 第25页 |
| 2.5.2 LDA模型原理 | 第25-27页 |
| 2.5.3 Gibbs抽样 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 3 微博实时个性化推荐模型 | 第29-33页 |
| 3.1 推荐模型总体框架 | 第29-31页 |
| 3.2 实时推荐设计思想 | 第31-32页 |
| 3.3 本章小结 | 第32-33页 |
| 4 用户兴趣向量与微博主题分布 | 第33-38页 |
| 4.1 用户兴趣建模 | 第33-36页 |
| 4.1.1 用户的主题特征向量 | 第33-34页 |
| 4.1.2 用户信任度计算 | 第34-36页 |
| 4.1.3 用户兴趣向量 | 第36页 |
| 4.2 微博主题分布 | 第36-37页 |
| 4.3 用户兴趣向量与微博主题分布相似度 | 第37页 |
| 4.4 本章小结 | 第37-38页 |
| 5 局部索引及实时推荐 | 第38-42页 |
| 5.1 局部索引的相关定义 | 第38-39页 |
| 5.2 索引构建算法 | 第39-40页 |
| 5.3 索引更新算法 | 第40-41页 |
| 5.4 推荐用户感兴趣微博 | 第41页 |
| 5.5 本章小结 | 第41-42页 |
| 6 实验设计与分析 | 第42-48页 |
| 6.1 实验环境和数据集 | 第42页 |
| 6.1.1 实验环境 | 第42页 |
| 6.1.2 实验数据集 | 第42页 |
| 6.2 实验评价指标 | 第42-43页 |
| 6.3 实验结果及分析 | 第43-47页 |
| 6.3.1 实时推荐的效率 | 第43-45页 |
| 6.3.2 实时推荐有效性 | 第45-47页 |
| 6.4 本章小结 | 第47-48页 |
| 7 总结和展望 | 第48-50页 |
| 7.1 总结 | 第48-49页 |
| 7.2 展望 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 致谢 | 第55-56页 |
| 个人简历 | 第56页 |
| 在读期间发表的论文及参与的项目 | 第56页 |
| 发表论文 | 第56页 |
| 参与项目 | 第56页 |
