面向产学研合作的专家推荐方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14页 |
| 1.4 论文结构安排 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第2章 相关理论与技术基础 | 第16-26页 |
| 2.1 文本相似度计算 | 第16-19页 |
| 2.1.1 基于皮尔森积矩相关系数 | 第16页 |
| 2.1.2 基于空间向量模型 | 第16-18页 |
| 2.1.3 基于杰卡德相关系数的相似度模型 | 第18页 |
| 2.1.4 基于语义词典的相似度算法 | 第18-19页 |
| 2.2 聚类算法介绍 | 第19-22页 |
| 2.2.1 层次聚类算法 | 第19-20页 |
| 2.2.2 划分聚类算法 | 第20-21页 |
| 2.2.3 基于模型的聚类算法 | 第21页 |
| 2.2.4 基于模糊的聚类算法 | 第21-22页 |
| 2.3 智能推荐算法 | 第22-25页 |
| 2.3.1 协同推荐算法 | 第23页 |
| 2.3.2 基于内容的推荐算法 | 第23-24页 |
| 2.3.3 组合推荐算法 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 科技领域词典构建 | 第26-30页 |
| 3.1 科技词典构建方法 | 第26页 |
| 3.2 分布式主题爬取科技数据 | 第26-29页 |
| 3.3 科技新词汇的提取 | 第29页 |
| 3.4 本章小结 | 第29-30页 |
| 第4章 技术专家知识表示模型研究 | 第30-40页 |
| 4.1 专家特征分析 | 第30-31页 |
| 4.2 基于可拓学的专家物元知识表示模型 | 第31-33页 |
| 4.3 一种基于潜在语义的专家向量模型 | 第33-35页 |
| 4.4 基于专家语义模型的数据处理 | 第35-39页 |
| 4.4.1 词项之间的潜在语义相关性 | 第36页 |
| 4.4.2 专家之间的相关性 | 第36-37页 |
| 4.4.3 基于语义相似度的专家聚类 | 第37-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 基于技术需求的专家推荐方法研究 | 第40-50页 |
| 5.1 基于语义模型的专家推荐算法 | 第40-41页 |
| 5.2 针对科研实践领域的专家推荐算法优化 | 第41-45页 |
| 5.2.1 专家实践度的定义 | 第41-42页 |
| 5.2.2 企业技术需求专家推荐算法优化 | 第42-45页 |
| 5.3 实验与分析 | 第45-49页 |
| 5.3.1 实验数据与评价指标 | 第46页 |
| 5.3.2 实验设计与结果分析 | 第46-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第6章 产学研推荐系统的实现 | 第50-58页 |
| 6.1 系统开发平台环境介绍 | 第50-52页 |
| 6.1.1 软硬件平台介绍 | 第50-51页 |
| 6.1.2 Web管理服务器开发介绍 | 第51页 |
| 6.1.3 Android端开发介绍 | 第51-52页 |
| 6.2 推荐系统实现框架 | 第52-53页 |
| 6.3 运行效果 | 第53-57页 |
| 6.4 本章小结 | 第57-58页 |
| 第7章 结论与展望 | 第58-60页 |
| 7.1 工作总结 | 第58页 |
| 7.2 未来展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 附录 | 第66-67页 |
| 详细摘要 | 第67-69页 |
