| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 微博相关研究 | 第10-11页 |
| 1.2.2 主题模型相关研究 | 第11页 |
| 1.2.3 主题模型应用于微博推荐相关研究 | 第11-12页 |
| 1.3 本文主要工作 | 第12-14页 |
| 1.4 本文组织结构 | 第14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 相关概念及技术 | 第15-29页 |
| 2.1 传统文本挖掘方法相关知识 | 第15-16页 |
| 2.1.1 TF-IDF | 第15页 |
| 2.1.2 余弦相似度 | 第15-16页 |
| 2.1.3 KL散度 | 第16页 |
| 2.2 主题模型 | 第16-22页 |
| 2.2.1 LSA主题模型 | 第17-18页 |
| 2.2.2 PLSA主题模型 | 第18-19页 |
| 2.2.3 LDA主题模型 | 第19-20页 |
| 2.2.4 BTM主题模型 | 第20-21页 |
| 2.2.5 Gibbs采样 | 第21-22页 |
| 2.3 聚类算法 | 第22-24页 |
| 2.3.1 K-means聚类算法 | 第22-23页 |
| 2.3.2 DBSCAN聚类算法 | 第23页 |
| 2.3.3 CFSFDP聚类算法 | 第23-24页 |
| 2.4 推荐系统与推荐算法 | 第24-28页 |
| 2.4.1 推荐系统概述 | 第24-25页 |
| 2.4.2 微博推荐 | 第25-26页 |
| 2.4.3 个性化推荐算法 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于RPMPS模型的微博推荐方法 | 第29-44页 |
| 3.1 相关定义 | 第29-30页 |
| 3.2 模型研究 | 第30-32页 |
| 3.2.1 LDA主题模型与KL散度 | 第30页 |
| 3.2.2 RPMPS推荐模型 | 第30-32页 |
| 3.3 基于RPMPS模型的微博推荐架构 | 第32-33页 |
| 3.4 基于RPMPS模型的微博推荐算法研究 | 第33-38页 |
| 3.4.1 数据源及数据处理模块算法 | 第34-35页 |
| 3.4.2 推荐引擎模块算法 | 第35-37页 |
| 3.4.3 推荐结果处理模块算法 | 第37页 |
| 3.4.4 模型复杂度分析 | 第37-38页 |
| 3.5 实验与分析 | 第38-43页 |
| 3.5.1 数据集及实验参数设置 | 第38-39页 |
| 3.5.2 评价指标 | 第39页 |
| 3.5.3 实验方案 | 第39-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于CFSFDP聚类和BTM主题模型的微博推荐方法 | 第44-57页 |
| 4.1 相关定义 | 第44页 |
| 4.2 基于CFSFDP聚类和BTM主题模型的微博推荐框架 | 第44-46页 |
| 4.3 基于CFSFDP聚类和BTM主题模型的微博推荐流程 | 第46-51页 |
| 4.3.1 微博预处理 | 第46页 |
| 4.3.2 微博组的选取 | 第46-48页 |
| 4.3.3 用户兴趣与待推荐微博的总体相似度 | 第48-51页 |
| 4.4 实验分析 | 第51-56页 |
| 4.4.1 实验数据与参数设置 | 第51-52页 |
| 4.4.2 评价标准及对比试验 | 第52页 |
| 4.4.3 实验过程 | 第52-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 总结和展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 附录 | 第64-67页 |
| 附录A 图索引 | 第64-65页 |
| 附录B 表索引 | 第65-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间发表的论文 | 第68页 |
