| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 微博用户兴趣识别研究现状 | 第10-13页 |
| 1.2.2 微博用户细分研究现状 | 第13-15页 |
| 1.3 研究内容 | 第15-17页 |
| 第二章 相关理论及技术 | 第17-29页 |
| 2.1 微博 | 第17-19页 |
| 2.1.1 微博的定义 | 第17页 |
| 2.1.2 微博及企业微博发展状况 | 第17-19页 |
| 2.2 用户兴趣识别 | 第19-26页 |
| 2.2.1 用户兴趣的定义 | 第19页 |
| 2.2.2 用户兴趣识别相关技术 | 第19-26页 |
| 2.3 用户细分 | 第26-29页 |
| 2.3.1 用户细分的定义 | 第26-27页 |
| 2.3.2 用户细分相关技术 | 第27-29页 |
| 第三章 基于T-BTM的企业微博粉丝用户兴趣识别 | 第29-72页 |
| 3.1 微博用户兴趣信息分析 | 第29-37页 |
| 3.1.1 微博中的信息 | 第29-32页 |
| 3.1.2 微博文本信息特征 | 第32-33页 |
| 3.1.3 微博用户兴趣信息来源 | 第33-37页 |
| 3.1.4 微博用户兴趣信息模型 | 第37页 |
| 3.2 微博用户兴趣识别的T-BTM模型 | 第37-49页 |
| 3.2.1 BTM | 第38-41页 |
| 3.2.2 微博用户兴趣模型 | 第41-42页 |
| 3.2.3 基于T-BTM的微博用户兴趣识别模型 | 第42-49页 |
| 3.3 企业微博粉丝用户兴趣识别实例分析 | 第49-72页 |
| 3.3.1 实验环境 | 第49页 |
| 3.3.2 实验数据 | 第49-50页 |
| 3.3.3 微博文本预处理 | 第50-53页 |
| 3.3.4 基于T-BTM的企业微博粉丝用户兴趣识别 | 第53-61页 |
| 3.3.5 评价标准 | 第61-63页 |
| 3.3.6 实验结果分析及评价 | 第63-72页 |
| 第四章 基于MUSC的企业微博粉丝用户细分 | 第72-97页 |
| 4.1 微博用户细分的MUSC算法 | 第72-78页 |
| 4.1.1 构建用户兴趣相似矩阵 | 第72-74页 |
| 4.1.2 计算规范拉普拉斯矩阵 | 第74页 |
| 4.1.3 确定聚类个数及构建特征向量空间 | 第74-75页 |
| 4.1.4 对特征向量空间实施K-means聚类 | 第75-76页 |
| 4.1.5 基于MUSC的微博用户细分算法 | 第76-78页 |
| 4.2 企业微博粉丝用户细分实例分析 | 第78-95页 |
| 4.2.1 实验数据 | 第78页 |
| 4.2.2 基于MUSC的企业微博粉丝用户细分 | 第78-89页 |
| 4.2.3 评价标准 | 第89-90页 |
| 4.2.4 实验结果分析及评价 | 第90-95页 |
| 4.3 企业微博粉丝用户兴趣群体个性化推荐 | 第95-97页 |
| 研究结论与展望 | 第97-99页 |
| 研究结论 | 第97-98页 |
| 研究展望 | 第98-99页 |
| 参考文献 | 第99-104页 |
| 致谢 | 第104-105页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第105页 |