| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文研究内容 | 第11页 |
| 1.4 本文组织结构 | 第11-13页 |
| 第2章 主题模型概述 | 第13-20页 |
| 2.1 主题模型简介 | 第13-14页 |
| 2.2 潜在狄利克雷分配 LDA 模型 | 第14-17页 |
| 2.2.1 模型介绍 | 第14-16页 |
| 2.2.2 参数估计 | 第16-17页 |
| 2.3 其他常用主题模型 | 第17-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 基于主题模型的微博信息推荐方法研究 | 第20-38页 |
| 3.1 噪音微博的过滤 | 第20-23页 |
| 3.1.1 朴素贝叶斯分类器 | 第20-22页 |
| 3.1.2 基于朴素贝叶斯的噪音微博过滤 | 第22-23页 |
| 3.2 基于 LDA 模型的微博用户模型 | 第23-25页 |
| 3.3 基于隐马尔科夫模型的用户模型 | 第25-27页 |
| 3.3.1 隐马尔科夫模型介绍 | 第25-27页 |
| 3.3.2 基于 HMM 为用户建模 | 第27页 |
| 3.4 个性化微博用户推荐 | 第27-29页 |
| 3.4.1 相似度计算 | 第27-28页 |
| 3.4.2 用户推荐算法 | 第28-29页 |
| 3.5 微博用户个体价值在推荐中的作用 | 第29-33页 |
| 3.5.1 PageRank 与 PeopleRank | 第29-32页 |
| 3.5.2 用户价值的衡量及其应用 | 第32-33页 |
| 3.6 个性化新闻推荐 | 第33-37页 |
| 3.6.1 新闻网页正文信息提取 | 第33-35页 |
| 3.6.2 基于非负矩阵分解的新闻推荐算法 | 第35-36页 |
| 3.6.3 基于 LDA 的新闻推荐算法 | 第36-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第4章 微博用户个性化推荐系统设计与实现 | 第38-46页 |
| 4.1 系统简介 | 第38-39页 |
| 4.2 系统整体架构 | 第39-42页 |
| 4.3 系统模块设计 | 第42-45页 |
| 4.3.1 数据采集模块 | 第42-43页 |
| 4.3.2 预处理模块 | 第43-44页 |
| 4.3.3 主题分析模块 | 第44页 |
| 4.3.4 个性化推荐模块 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 实验评估与结果分析 | 第46-68页 |
| 5.1 微博数据预处理 | 第46-50页 |
| 5.1.1 实验设计 | 第46-48页 |
| 5.1.2 实验结果及分析 | 第48-50页 |
| 5.2 用户主题模型的构建 | 第50-54页 |
| 5.2.1 基于 LDA 主题模型的用户模型 | 第50-51页 |
| 5.2.2 LDA 用户模型评价方法 | 第51-52页 |
| 5.2.3 其他用户建模方法 | 第52-54页 |
| 5.3 微博用户推荐 | 第54-61页 |
| 5.3.1 实验设计 | 第54-56页 |
| 5.3.2 实验结果及分析 | 第56-58页 |
| 5.3.3 基于用户价值的改进实验 | 第58-61页 |
| 5.4 新闻页面推荐 | 第61-67页 |
| 5.4.1 实验设计 | 第61-62页 |
| 5.4.2 实验结果及分析 | 第62-67页 |
| 5.5 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的学术论文 | 第74-76页 |
| 致谢 | 第76页 |