| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于主题模型的相关研究 | 第10-12页 |
| 1.2.2 基于微博推荐的相关研究 | 第12-13页 |
| 1.3 研究目的和意义 | 第13页 |
| 1.4 本文的主要工作及组织结构 | 第13-15页 |
| 1.4.1 本文的研究内容和方法 | 第13-14页 |
| 1.4.2 本文的组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 关键技术分析 | 第16-32页 |
| 2.1 概率主题模型技术研究 | 第16-24页 |
| 2.1.1 LDA模型 | 第16-18页 |
| 2.1.2 扩展主题模型 | 第18-22页 |
| 2.1.3 模型的训练与推理方法 | 第22-24页 |
| 2.1.4 模型的能力评估方法 | 第24页 |
| 2.2 微博新闻的个性化推荐技术研究 | 第24-30页 |
| 2.2.1 个性化推荐 | 第24-25页 |
| 2.2.2 微博平台的个性化推荐 | 第25-28页 |
| 2.2.3 新闻领域的个性化推荐 | 第28-30页 |
| 2.3 本章小结 | 第30-32页 |
| 3 基于改进HPAM的微博新闻主题建模 | 第32-46页 |
| 3.1 基于时间演化的改进HPAM模型——DHPAM | 第32-38页 |
| 3.1.1 模型原理 | 第34-36页 |
| 3.1.2 生成过程 | 第36页 |
| 3.1.3 模型推导 | 第36-38页 |
| 3.2 改进模型的实验及评估 | 第38-41页 |
| 3.2.1 话题关联能力评估 | 第38-39页 |
| 3.2.2 分类能力评估 | 第39-40页 |
| 3.2.3 模型生成能力评估 | 第40-41页 |
| 3.3 微博新闻话题应用建模 | 第41-44页 |
| 3.2.1 话题关联度计算 | 第42页 |
| 3.3.2 新闻话题生成 | 第42-44页 |
| 3.3.3 新闻话题热度 | 第44页 |
| 3.4 本章小结 | 第44-46页 |
| 4 基于主题的用户偏好挖掘 | 第46-52页 |
| 4.1 用户偏好的训练主题模型 | 第46-47页 |
| 4.2 用户主题偏好模型 | 第47-50页 |
| 4.2.1 长短期偏好模型构建 | 第47-49页 |
| 4.2.2 用户偏好更新 | 第49-50页 |
| 4.3 用户偏好模型的实验及评估 | 第50页 |
| 4.4 本章小结 | 第50-52页 |
| 5 基于概率主题模型的微博新闻个性化推荐 | 第52-62页 |
| 5.1 推荐方案总体框架 | 第52-53页 |
| 5.2 推荐方案设计 | 第53-57页 |
| 5.2.1 数据准备 | 第53-55页 |
| 5.2.2 用户兴趣模型 | 第55页 |
| 5.2.3 预推荐主题列表 | 第55-56页 |
| 5.2.4 推荐列表更新 | 第56-57页 |
| 5.3 实验及结果分析 | 第57-60页 |
| 5.4 本章小结 | 第60-62页 |
| 6 结论与展望 | 第62-64页 |
| 6.1 本文结论 | 第62-63页 |
| 6.2 未来工作展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 附录 | 第70页 |