基于用户兴趣度的社区内容推荐方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及意义 | 第10-12页 |
| 1.1.1 课题背景 | 第10-12页 |
| 1.1.2 研究目的和意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 存在的问题与挑战 | 第13-14页 |
| 1.4 研究内容和组织结构 | 第14-16页 |
| 1.4.1 研究内容 | 第14-15页 |
| 1.4.2 论文结构 | 第15-16页 |
| 1.5 本章小结 | 第16-18页 |
| 第2章 相关理论与技术 | 第18-28页 |
| 2.1 个性化推荐系统 | 第18-19页 |
| 2.1.1 推荐系统概念 | 第18-19页 |
| 2.1.2 推荐系统组成 | 第19页 |
| 2.2 传统推荐算法 | 第19-23页 |
| 2.2.1 基于规则的推荐 | 第19-20页 |
| 2.2.2 基于内容的推荐 | 第20-21页 |
| 2.2.3 基于协同过滤的推荐 | 第21-22页 |
| 2.2.4 基于混合模式的推荐 | 第22-23页 |
| 2.3 聚类分析 | 第23-24页 |
| 2.4 文本特征选择 | 第24-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 模型构建与用户兴趣度计算 | 第28-44页 |
| 3.1 问题提出 | 第28-29页 |
| 3.2 关键词类别的定义与计算 | 第29-32页 |
| 3.2.1 关键词类别定义 | 第29页 |
| 3.2.2 关键词类别计算 | 第29-32页 |
| 3.3 基于关键词类别的帖子模型 | 第32-37页 |
| 3.3.1 文本预处理 | 第32-34页 |
| 3.3.2 关键词抽取 | 第34-36页 |
| 3.3.3 帖子向量空间模型构建 | 第36-37页 |
| 3.4 基于时间和关键词类别的用户兴趣模型 | 第37-39页 |
| 3.5 用户兴趣度计算 | 第39-42页 |
| 3.5.1 评分函数 | 第39-40页 |
| 3.5.2 时间函数 | 第40-42页 |
| 3.6 本章小结 | 第42-44页 |
| 第4章 基于用户兴趣度的社区内容推荐方法 | 第44-58页 |
| 4.1 问题提出 | 第44页 |
| 4.2 整体推荐流程 | 第44-45页 |
| 4.3 相似度计算 | 第45-48页 |
| 4.3.1 常用相似度定义 | 第45-46页 |
| 4.3.2 改进的帖子相似度计算 | 第46-48页 |
| 4.4 初始兴趣度预测 | 第48-50页 |
| 4.5 基于用户兴趣度的帖子与用户聚类 | 第50-54页 |
| 4.5.1 k-means聚类 | 第50-51页 |
| 4.5.2 改进的初始聚类中心点选取 | 第51-52页 |
| 4.5.3 基于改进初始聚类中心的聚类算法 | 第52-54页 |
| 4.6 邻居选取 | 第54-55页 |
| 4.7 评分预测与结果生成 | 第55-56页 |
| 4.7.1 最终预测评分 | 第55页 |
| 4.7.2 推荐生成 | 第55-56页 |
| 4.8 本章小结 | 第56-58页 |
| 第5章 实验结果与分析 | 第58-74页 |
| 5.1 实验环境与数据来源 | 第58-61页 |
| 5.1.1 实验环境介绍 | 第58页 |
| 5.1.2 初始数据获取 | 第58-61页 |
| 5.2 数据预处理 | 第61-64页 |
| 5.2.1 初始用户兴趣度 | 第61-62页 |
| 5.2.2 关键词类别词典构建 | 第62页 |
| 5.2.3 帖子关键词抽取 | 第62-64页 |
| 5.3 实验方法 | 第64-65页 |
| 5.4 评价标准 | 第65页 |
| 5.5 实验结果与分析 | 第65-73页 |
| 5.5.1 向量空间模型构建 | 第65-67页 |
| 5.5.2 初始聚类中心点选取 | 第67-68页 |
| 5.5.3 时间参数选取 | 第68-71页 |
| 5.5.4 推荐结果与分析 | 第71-73页 |
| 5.6 本章小结 | 第73-74页 |
| 第6章 结论与展望 | 第74-76页 |
| 6.1 工作总结 | 第74-75页 |
| 6.2 未来展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80页 |
