基于用户日志的新闻推荐系统研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-16页 |
| 1.2.1 推荐系统的定义 | 第13页 |
| 1.2.2 推荐系统的研究现状 | 第13-16页 |
| 1.3 研究内容及工作 | 第16-18页 |
| 1.3.1 面临的挑战 | 第16页 |
| 1.3.2 系统目标 | 第16-17页 |
| 1.3.3 解决方案 | 第17-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第2章 相关理论及技术 | 第20-28页 |
| 2.1 主题模型提取 | 第20-21页 |
| 2.2 聚类算法 | 第21-23页 |
| 2.3 推荐系统 | 第23-27页 |
| 2.3.1 基于内容的推荐 | 第24页 |
| 2.3.2 协同过滤 | 第24-25页 |
| 2.3.3 基于关联规则的推荐 | 第25-26页 |
| 2.3.4 混合推荐 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 主题模型及聚类算法 | 第28-39页 |
| 3.1 LDA主题模型 | 第28-32页 |
| 3.1.1 加权LDA主题模型 | 第28-32页 |
| 3.1.2 数据建模 | 第32页 |
| 3.2 聚类算法 | 第32-36页 |
| 3.2.1 聚类算法k-means | 第32-33页 |
| 3.2.2 聚类算法Canopy-Kmeans | 第33-34页 |
| 3.2.3 改进的Canopy-MKmeans | 第34-36页 |
| 3.3 实验验证 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于用户日志的新闻推荐算法 | 第39-56页 |
| 4.1 基于用户的协同过滤推荐 | 第39-43页 |
| 4.1.1 文本相似性 | 第39-40页 |
| 4.1.2 用户间相似度计算 | 第40-42页 |
| 4.1.3 topKRec推荐方法 | 第42-43页 |
| 4.2 基于物品的协同过滤推荐 | 第43-45页 |
| 4.2.1 新闻间相似度计算 | 第43-44页 |
| 4.2.2 topKRec推荐方法 | 第44-45页 |
| 4.3 基于关联规则的推荐 | 第45-48页 |
| 4.3.1 数据预处理 | 第45页 |
| 4.3.2 基于关联规则的推荐 | 第45-48页 |
| 4.4 混合推荐 | 第48-49页 |
| 4.5 实验验证 | 第49-55页 |
| 4.5.1 实验数据集 | 第49页 |
| 4.5.2 推荐算法的评估策略 | 第49页 |
| 4.5.3 实验结果与分析 | 第49-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第5章 基于用户日志的新闻推荐系统的实现 | 第56-66页 |
| 5.1 系统需求分析 | 第56页 |
| 5.2 数据库设计 | 第56-58页 |
| 5.3 系统总体设计 | 第58-62页 |
| 5.3.1 新闻推荐模块 | 第58-61页 |
| 5.3.2 用户交互模块 | 第61-62页 |
| 5.4 系统实现 | 第62-65页 |
| 5.4.1 用户登录界面 | 第62-63页 |
| 5.4.2 用户注册界面 | 第63页 |
| 5.4.3 新闻推荐界面 | 第63-64页 |
| 5.4.4 新闻浏览界面 | 第64页 |
| 5.4.5 兴趣收集界面 | 第64-65页 |
| 5.4.6 日志浏览界面 | 第65页 |
| 5.5 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 本文总结 | 第66-67页 |
| 6.2 研究展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 作者简介 | 第72-73页 |
| 致谢 | 第73页 |
