社交网络中基于用户特征的专家推荐研究
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 基于社交关系的推荐研究 | 第14-15页 |
| 1.2.2 推荐专家的研究 | 第15-16页 |
| 1.2.3 基于标签的推荐研究 | 第16-17页 |
| 1.2.4 基于信任的推荐研究 | 第17-18页 |
| 1.3 研究内容和研究方法 | 第18-20页 |
| 1.3.1 研究内容 | 第18-19页 |
| 1.3.2 研究方法 | 第19-20页 |
| 1.4 拟解决的关键问题和创新点 | 第20-21页 |
| 1.4.1 拟解决的关键问题 | 第20页 |
| 1.4.2 本文创新点 | 第20-21页 |
| 2 社交网络信息推荐的相关理论与技术 | 第21-29页 |
| 2.1 社交网络简介 | 第21页 |
| 2.2 社交网络数据获取 | 第21-23页 |
| 2.2.1 爬虫的原理 | 第22页 |
| 2.2.2 Deep Web中传统爬虫的困难 | 第22页 |
| 2.2.3 爬虫的实现 | 第22-23页 |
| 2.3 常用推荐系统 | 第23-25页 |
| 2.3.1 协同过滤推荐 | 第23-24页 |
| 2.3.2 基于内容的推荐 | 第24页 |
| 2.3.3 二部图法推荐 | 第24-25页 |
| 2.4 用户标签 | 第25-27页 |
| 2.4.1 用户标签的定义 | 第25-26页 |
| 2.4.2 用户标签的特点 | 第26-27页 |
| 2.5 用户特征模型 | 第27-28页 |
| 2.5.1 用户特征模型的表示 | 第27页 |
| 2.5.2 常见用户兴趣模型 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 3 用户特征模型构建 | 第29-41页 |
| 3.1 社交网络用户 | 第29-35页 |
| 3.1.1 用户关注分布 | 第29-30页 |
| 3.1.2 用户粉丝分布 | 第30-32页 |
| 3.1.3 用户微博数量分布 | 第32-34页 |
| 3.1.4 用户标签分布 | 第34-35页 |
| 3.2 用户相似度计算 | 第35-36页 |
| 3.2.1 标签相似度及其计算 | 第35页 |
| 3.2.2 传统计算方法 | 第35-36页 |
| 3.3 用户标签扩展 | 第36-40页 |
| 3.3.1 扩展原理 | 第36-37页 |
| 3.3.2 标签扩展算法 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 基于用户特征的专家推荐系统架构 | 第41-48页 |
| 4.1 专家的识别 | 第41-44页 |
| 4.1.1 基于PageRank的专家排序 | 第42-44页 |
| 4.1.2 FRank专家排序 | 第44页 |
| 4.2 基于用户标签的专家推荐 | 第44-46页 |
| 4.2.1 用户兴趣标签划分 | 第44-45页 |
| 4.2.2 用户兴趣表征 | 第45页 |
| 4.2.3 专家推荐算法 | 第45-46页 |
| 4.3 专家推荐系统原型构建 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 5 专家推荐系统实证研究 | 第48-56页 |
| 5.1 实验数据预处理 | 第48页 |
| 5.2 用户标签扩展 | 第48-50页 |
| 5.2.1 标签扩展 | 第48页 |
| 5.2.2 评价方法 | 第48-49页 |
| 5.2.3 实验结果及分析 | 第49-50页 |
| 5.3 专家用户识别 | 第50-54页 |
| 5.3.1 领域专家预测 | 第50-51页 |
| 5.3.2 评价方法 | 第51-52页 |
| 5.3.3 实验结果及分析 | 第52-54页 |
| 5.4 向用户推荐专家 | 第54-55页 |
| 5.5 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 本文研究总结 | 第56页 |
| 6.2 不足与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62-65页 |
| 在校期间发表的论文、科研成果等 | 第65-66页 |
| 致谢 | 第66页 |
