| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 研究现状及趋势 | 第13-16页 |
| 1.2.1 社区发现研究概况 | 第13-14页 |
| 1.2.2 推荐系统研究概况 | 第14-16页 |
| 1.3 研究目标及内容 | 第16-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 1.5 论文符号及说明 | 第19页 |
| 1.6 本章小结 | 第19-21页 |
| 第2章 相关理论及说明 | 第21-34页 |
| 2.1 发现社区结构研究 | 第21-28页 |
| 2.1.1 社会网络结构 | 第21-23页 |
| 2.1.2 社区结构发现算法 | 第23-25页 |
| 2.1.3 社区结构的评价测度 | 第25-28页 |
| 2.2 推荐技术相关研究 | 第28-31页 |
| 2.2.1 推荐算法研究 | 第28-30页 |
| 2.2.2 推荐质量测度 | 第30-31页 |
| 2.3 潜在狄利克雷分配 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 数据预处理 | 第34-49页 |
| 3.1 微博用户数据特征 | 第34-35页 |
| 3.2 模块化矩阵 | 第35-36页 |
| 3.3 用户关注数据处理 | 第36-41页 |
| 3.3.1 微博用户关注关系说明 | 第36-37页 |
| 3.3.2 基于关注关系的用户相似度计算 | 第37-41页 |
| 3.4 用户兴趣数据处理 | 第41-48页 |
| 3.4.1 兴趣标签数据分析 | 第41-42页 |
| 3.4.2 分词及词语扩展 | 第42-43页 |
| 3.4.3 抽取兴趣主题 | 第43-46页 |
| 3.4.5 基于标签信息的用户相似度计算 | 第46-48页 |
| 3.5 用户地理位置数据处理 | 第48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 基于模块度最大化思想结合多维数据发现社区结构 | 第49-63页 |
| 4.1 社区发现 | 第49-50页 |
| 4.2 发现社区算法及设计 | 第50-56页 |
| 4.2.1 模块度最大化 | 第50-53页 |
| 4.2.2 多维信息源的社区聚类 | 第53-56页 |
| 4.3 实验结果及分析 | 第56-62页 |
| 4.3.1 实验实施 | 第56-59页 |
| 4.3.2 评估标准 | 第59-60页 |
| 4.3.3 实验方案及结果分析 | 第60-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第5章 基于用户聚类社团和高阶奇异值分解的标签推荐 | 第63-72页 |
| 5.1 大众标注 | 第63-65页 |
| 5.2 推荐模型及设计 | 第65-69页 |
| 5.2.1 奇异值分解 | 第65-66页 |
| 5.2.2 张量分解建模 | 第66-69页 |
| 5.3 实验及结果分析 | 第69-71页 |
| 5.3.1 数据集 | 第69页 |
| 5.3.2 评估标准 | 第69-70页 |
| 5.3.3 实验方案及结果分析 | 第70-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第6章 总结及展望 | 第72-74页 |
| 6.1 全文总结 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79页 |