| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-15页 |
| 1.4 本文难点以及主要研究成果 | 第15-16页 |
| 1.5 本文的组织结构 | 第16-18页 |
| 2 文本信息推荐相关理论及技术优选 | 第18-30页 |
| 2.1 文本推荐系统及推荐算法概述 | 第18-20页 |
| 2.2 文本结构化表示 | 第20-24页 |
| 2.2.1 文本表示模型 | 第20-22页 |
| 2.2.2 文本特征提取方法 | 第22-24页 |
| 2.3 聚类分析 | 第24-27页 |
| 2.3.1 聚类算法分类 | 第25-26页 |
| 2.3.2 聚类算法的性能比较 | 第26-27页 |
| 2.4 文本相似性度量 | 第27-29页 |
| 2.4.1 基于向量空间模型的TF-IDF方法 | 第27-28页 |
| 2.4.2 基于语义语法结构相似的方法 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 改进的微博短文本特征词提取算法 | 第30-40页 |
| 3.1 微博短文本特征词选取原则 | 第30-31页 |
| 3.2 基于统计与语义相关联的短文本特征词提取算法 | 第31-35页 |
| 3.2.1 基于统计与语义相关联的短文本特征词提取算法思想 | 第32页 |
| 3.2.2 基于统计与语义相关联的短文本特征词提取算法设计 | 第32-35页 |
| 3.3 实验结果分析 | 第35-38页 |
| 3.3.1 实验设计和评价标准 | 第35-36页 |
| 3.3.2 实验结果 | 第36-38页 |
| 3.4 本章小结 | 第38-40页 |
| 4 基于短文本聚类改进算法的用户兴趣模型构建 | 第40-56页 |
| 4.1 K-means聚类算法思想和流程 | 第40-41页 |
| 4.2 改进的(cK-means)文本聚类算法 | 第41-44页 |
| 4.3 基于改进的(cK-means)聚类算法的用户兴趣模型 | 第44-49页 |
| 4.3.1 用户兴趣模型表示方法 | 第44-46页 |
| 4.3.2 用户兴趣模型建立 | 第46-48页 |
| 4.3.3 用户兴趣模型更新方法 | 第48-49页 |
| 4.4 实验结果分析 | 第49-54页 |
| 4.4.1 实验设计和评价标准 | 第49-50页 |
| 4.4.2 实验结果 | 第50-54页 |
| 4.5 本章小结 | 第54-56页 |
| 5 基于短文本的信息推荐系统设计与实现 | 第56-80页 |
| 5.1 文本信息推荐系统需求分析 | 第56-62页 |
| 5.1.1 文本推荐系统功能需求 | 第56-60页 |
| 5.1.2 文本推荐系统功能模型 | 第60-62页 |
| 5.2 文本信息推荐系统概要设计 | 第62-73页 |
| 5.2.1 文本推荐系统逻辑架构设计 | 第63-65页 |
| 5.2.2 文本推荐系统物理架构设计 | 第65-66页 |
| 5.2.3 文本推荐系统技术架构设计 | 第66-67页 |
| 5.2.4 文本推荐系统总体结构设计 | 第67-68页 |
| 5.2.5 文本推荐系统核心功能模块设计 | 第68-73页 |
| 5.3 文本信息推荐系统详细设计及实现 | 第73-79页 |
| 5.3.1 文本推荐系统数据库设计 | 第73-76页 |
| 5.3.2 文本推荐系统核心模块实现 | 第76-79页 |
| 5.4 本章小结 | 第79-80页 |
| 6 系统推荐准确性与稳定性验证 | 第80-90页 |
| 6.1 实验环境 | 第80-81页 |
| 6.2 推荐性能衡量指标 | 第81-82页 |
| 6.3 空间样本的选择 | 第82-83页 |
| 6.4 样本空间的信度和效度度量 | 第83-85页 |
| 6.5 系统推荐性能评价 | 第85-88页 |
| 6.5.1 横向测试 | 第85-87页 |
| 6.5.2 纵向测试 | 第87-88页 |
| 6.6 本章小结 | 第88-90页 |
| 7 总结与展望 | 第90-92页 |
| 7.1 总结 | 第90-91页 |
| 7.2 展望 | 第91-92页 |
| 参考文献 | 第92-96页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第96-100页 |
| 学位论文数据集 | 第100页 |
