基于Web挖掘的信息提取与推荐相关研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 引言 | 第9-15页 |
| ·背景 | 第9-10页 |
| ·Web信息提取的发展及研究现状 | 第10-11页 |
| ·信息推荐系统发展及研究现状 | 第11-13页 |
| ·本文的主要研究工作和创新点 | 第13页 |
| ·论文结构 | 第13-15页 |
| 第二章 站点web信息提取相关研究 | 第15-25页 |
| ·Web信息提取的功能及分类 | 第15-17页 |
| ·Web内容提取 | 第15-16页 |
| ·Web结构提取 | 第16页 |
| ·Web使用记录提取 | 第16-17页 |
| ·Web信息提取的评价标准 | 第17页 |
| ·基于分块的站点主题信息提取 | 第17-24页 |
| ·基于分块提取的优点 | 第17-18页 |
| ·页面Block的基础 | 第18-19页 |
| ·页面分块的基本技术 | 第19-20页 |
| ·Block主题生成算法 | 第20-21页 |
| ·Block赋权 | 第21-23页 |
| ·加权BLOCK的主题信息提取算法 | 第23-24页 |
| ·提取测试结果 | 第24-25页 |
| 第三章 站点个性化信息推荐系统研究 | 第25-35页 |
| ·推荐系统简介 | 第25-27页 |
| ·推荐系统的分类 | 第27-28页 |
| ·推荐系统的组成 | 第28页 |
| ·信息推荐的关键技术 | 第28-35页 |
| ·基于内容的推荐方法 | 第28-29页 |
| ·协同过滤推荐方法 | 第29-32页 |
| ·混合推荐方法 | 第32-33页 |
| ·基于数据挖掘的推荐方法 | 第33-35页 |
| 第四章 基于协同过滤推荐的信息推荐算法研究 | 第35-44页 |
| ·算法的总体设计 | 第35-37页 |
| ·算法要解决的问题 | 第35页 |
| ·算法的实现过程 | 第35-37页 |
| ·用户日志信息提取的应用 | 第37-38页 |
| ·兴趣度度量 | 第38-39页 |
| ·聚类的应用 | 第39-41页 |
| ·算法实现 | 第41-43页 |
| ·算法分析 | 第43-44页 |
| 第五章 实验及分析 | 第44-50页 |
| ·实验环境、编程语言、实验数据 | 第44-45页 |
| ·实验评价指标 | 第45-46页 |
| ·实验方案及设计分析 | 第46-50页 |
| 第六章 总结与展望 | 第50-51页 |
| ·总结 | 第50页 |
| ·展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 读研期间发表的科研论文 | 第54页 |
| 读研期间参与科研项目情况 | 第54-55页 |
| 致谢 | 第55-57页 |
