基于主题模型的微博用户推荐研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 推荐算法研究现状 | 第11-13页 |
| 1.2.2 微博推荐研究现状 | 第13-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第2章 相关工作 | 第17-26页 |
| 2.1 微博的发展及特征 | 第17-18页 |
| 2.2 常见推荐算法 | 第18-21页 |
| 2.2.1 基于人口统计学的推荐算法 | 第18-19页 |
| 2.2.2 协同过滤推荐算法 | 第19-20页 |
| 2.2.3 基于内容的推荐算法 | 第20-21页 |
| 2.2.4 基于标签的推荐算法 | 第21页 |
| 2.2.5 混合推荐算法 | 第21页 |
| 2.3 主题模型 | 第21-25页 |
| 2.3.1 主题模型的发展历史 | 第22-23页 |
| 2.3.2 主题模型LDA | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于JST模型的微博用户相似度研究 | 第26-37页 |
| 3.1 引言 | 第26页 |
| 3.2 微博用户相似度研究 | 第26-27页 |
| 3.3 主题情感混合模型JST | 第27-32页 |
| 3.3.1 模型简介 | 第27-28页 |
| 3.3.2 JST模型的建模过程 | 第28-31页 |
| 3.3.3 吉布斯采样的求解过程 | 第31-32页 |
| 3.4 用户相似度计算 | 第32-33页 |
| 3.4.1 KL散度 | 第33页 |
| 3.4.2 JS散度 | 第33页 |
| 3.5 RJS算法 | 第33-35页 |
| 3.5.1 RJS算法实现 | 第34-35页 |
| 3.6 本章小结 | 第35-37页 |
| 第4章 微博用户影响力模型研究 | 第37-47页 |
| 4.1 引言 | 第37页 |
| 4.2 微博用户影响力研究 | 第37-40页 |
| 4.2.1 用户影响力定义及评价指标选取 | 第38-39页 |
| 4.2.2 用户微博影响力的度量 | 第39页 |
| 4.2.3 用户活跃度度量 | 第39-40页 |
| 4.3 微博用户影响力模型UIM | 第40-45页 |
| 4.3.1 UIM模型 | 第40页 |
| 4.3.2 UIM模型中的权重计算 | 第40-43页 |
| 4.3.3 矩阵一致性检验 | 第43-44页 |
| 4.3.4 UIM模型的算法实现 | 第44-45页 |
| 4.4 结合用户兴趣相似度和用户影响力的微博推荐 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 实验结果及分析 | 第47-58页 |
| 5.1 实验环境及实验数据 | 第47-48页 |
| 5.1.1 实验环境 | 第47页 |
| 5.1.2 实验数据获取 | 第47-48页 |
| 5.2.数据预处理 | 第48-49页 |
| 5.3.实验结果展示 | 第49-51页 |
| 5.3.1 JST模型实验结果 | 第49-50页 |
| 5.3.2 本文推荐算法R-UIM实验结果展示 | 第50-51页 |
| 5.4 实验结果及分析 | 第51-57页 |
| 5.4.1 实验评价方法 | 第51页 |
| 5.4.2 在不同主题数时的推荐效果对比实验 | 第51-53页 |
| 5.4.3 不同领域中的推荐效果对比实验 | 第53-57页 |
| 5.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第64-65页 |
| 致谢 | 第65页 |
