在线热点新闻推荐系统研究和实现
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 第一章 绪论 | 第12-23页 |
| ·研究背景和意义 | 第12页 |
| ·推荐系统 | 第12-15页 |
| ·推荐系统定义 | 第12-13页 |
| ·用户模块 | 第13-15页 |
| ·推荐对象模型 | 第15页 |
| ·推荐系统算法分类 | 第15-21页 |
| ·基于内容的推荐 | 第15-16页 |
| ·协同过滤推荐 | 第16-19页 |
| ·基于社会网络分析方法的推荐 | 第19页 |
| ·基于网络结构的推荐策略 | 第19-20页 |
| ·混合推荐 | 第20-21页 |
| ·文本分类 | 第21页 |
| ·本文的主要工作和结构安排 | 第21-23页 |
| 第二章 基于Hadoop平台新闻数据抓取 | 第23-39页 |
| ·Hadoop简介 | 第23页 |
| ·Hadoop的体系结构 | 第23-28页 |
| ·HDFS的体系结构 | 第23-24页 |
| ·Map Reduce的体系结构 | 第24-26页 |
| ·Hbase体系结构 | 第26-28页 |
| ·基于Hadoop的数据采集 | 第28-37页 |
| ·Hadoop平台搭建 | 第28页 |
| ·数据抓取 | 第28-32页 |
| ·网络爬虫 | 第32-35页 |
| ·基于DOM树的网页解析 | 第35-37页 |
| ·数据存储 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第三章 基于标题的热点新闻推荐算法 | 第39-58页 |
| ·背景及动机 | 第39-40页 |
| ·文本分类方法 | 第40-43页 |
| ·朴素贝叶斯算法 | 第40-41页 |
| ·K最邻近分类算法 | 第41页 |
| ·支持向量机 | 第41-42页 |
| ·神经网络算法 | 第42页 |
| ·决策树分类算法 | 第42-43页 |
| ·基于标题的热点新闻推荐 | 第43-45页 |
| ·基于朴素贝叶斯的推荐算法 | 第43-44页 |
| ·基于SVM推荐算法 | 第44-45页 |
| ·实施方案 | 第45-50页 |
| ·基于朴素贝叶斯的推荐方法 | 第45-49页 |
| ·基于SVM的推荐方法 | 第49-50页 |
| ·仿真实验 | 第50-57页 |
| ·中文分词 | 第50-51页 |
| ·实验结果与分析 | 第51-57页 |
| ·本章小结 | 第57-58页 |
| 第四章 基于文本摘要的新闻推荐 | 第58-72页 |
| ·基于标题的新闻推荐缺陷 | 第58-59页 |
| ·文本摘要 | 第59-62页 |
| ·文本摘要分类 | 第59-60页 |
| ·基于text Rank的文本摘要算法 | 第60-61页 |
| ·基于复杂网络的文本摘要算法 | 第61-62页 |
| ·基于文本摘要的新闻推荐算法 | 第62-64页 |
| ·实验结果分析 | 第64-67页 |
| ·系统实现 | 第67-71页 |
| ·本章小结 | 第71-72页 |
| 第五章 总结和展望 | 第72-73页 |
| 参考文献 | 第73-80页 |
| 致谢 | 第80-81页 |
| 在学校期间的研究成果及发表的学术论文 | 第81页 |
