| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 研究的主要内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15页 |
| 1.5 本章小结 | 第15-17页 |
| 第2章 相关理论与技术研究 | 第17-35页 |
| 2.1 数据获取相关技术 | 第17-18页 |
| 2.1.1 UIautomator测试工具 | 第17-18页 |
| 2.1.2 Xposed框架 | 第18页 |
| 2.2 文本预处理 | 第18-20页 |
| 2.2.1 数据清洗 | 第18-19页 |
| 2.2.2 中文分词与停用词处理 | 第19-20页 |
| 2.3 文本分类技术 | 第20-28页 |
| 2.3.1 K最近邻算法 | 第20-21页 |
| 2.3.2 支持向量机 | 第21-22页 |
| 2.3.3 朴素贝叶斯 | 第22-24页 |
| 2.3.4 基于深度学习的分类 | 第24-27页 |
| 2.3.5 分类算法评价标准 | 第27-28页 |
| 2.4 文本推荐相关技术 | 第28-33页 |
| 2.4.1 协同过滤 | 第28-30页 |
| 2.4.2 基于内容的推荐 | 第30页 |
| 2.4.3 排行榜半衰期算法 | 第30-31页 |
| 2.4.4 LDA | 第31-32页 |
| 2.4.5 模型加权融合 | 第32-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第3章 文本分类研究 | 第35-49页 |
| 3.1 微信文章数据的特点 | 第35-36页 |
| 3.2 文本向量化与特征选择研究 | 第36-39页 |
| 3.2.1 卡方检验 | 第36-37页 |
| 3.2.2 信息增益 | 第37页 |
| 3.2.3 GloVe模型 | 第37-39页 |
| 3.3 实验设计及结果分析 | 第39-47页 |
| 3.3.1 实验方案设计 | 第39-41页 |
| 3.3.2 传统分类方法效果对比 | 第41-43页 |
| 3.3.3 针对长短混合的文本数据集的特征选择方案 | 第43-44页 |
| 3.3.4 GloVe模型调参 | 第44-46页 |
| 3.3.5 实验结果对比及分析 | 第46-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第4章 个性化文章推荐算法研究 | 第49-55页 |
| 4.1 微信用户阅读特点 | 第49-50页 |
| 4.1.1 用户趋于阅读新内容 | 第49-50页 |
| 4.1.2 公众号趋于发送热点内容 | 第50页 |
| 4.2 热点内容推荐器 | 第50-51页 |
| 4.3 LDA-ContentBased推荐器 | 第51-52页 |
| 4.4 协同过滤推荐器 | 第52-53页 |
| 4.5 模型融合 | 第53页 |
| 4.6 模型评估 | 第53-54页 |
| 4.7 本章小结 | 第54-55页 |
| 第5章 系统实现 | 第55-63页 |
| 5.1 整体架构 | 第55-56页 |
| 5.2 爬虫模块 | 第56-57页 |
| 5.3 分类模块 | 第57页 |
| 5.4 推荐模块 | 第57-58页 |
| 5.5 Web服务模块 | 第58-60页 |
| 5.6 本章小结 | 第60-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 作者简介及所取得科研成果 | 第69-70页 |
| 致谢 | 第70页 |