个性化新闻事件推荐系统的研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 事件发现技术的研究现状 | 第11-12页 |
| 1.2.2 个性化推荐技术的研究现状 | 第12-13页 |
| 1.3 论文的研究目标和主要工作 | 第13-14页 |
| 1.3.1 任务目标 | 第13页 |
| 1.3.2 难点分析 | 第13-14页 |
| 1.3.3 解决方案 | 第14页 |
| 1.4 论文的结构安排 | 第14-16页 |
| 第2章 关键技术介绍 | 第16-24页 |
| 2.1 事件发现技术 | 第16-18页 |
| 2.1.1 特征词选择 | 第16-17页 |
| 2.1.2 聚类算法 | 第17-18页 |
| 2.2 用户兴趣模型介绍 | 第18-19页 |
| 2.3 个性化推荐方法 | 第19-23页 |
| 2.3.1 基于内容的推荐 | 第19-20页 |
| 2.3.2 协同过滤推荐 | 第20-22页 |
| 2.3.3 混合推荐 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于融合模型的改进层次聚类算法 | 第24-38页 |
| 3.1 文本向量化 | 第24-29页 |
| 3.1.1 基于TF-IDF的VSM模型 | 第24-25页 |
| 3.1.2 LDA主题模型 | 第25-29页 |
| 3.2 文本相似度计算 | 第29-32页 |
| 3.2.1 常用距离计算方法 | 第29-30页 |
| 3.2.2 本文使用的方法 | 第30-32页 |
| 3.3 改进的层次聚类算法 | 第32-36页 |
| 3.3.1 传统层次聚类算法存在的问题 | 第33-34页 |
| 3.3.2 改进的层次聚类算法描述 | 第34-36页 |
| 3.4 基于簇信息的事件特征计算 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于混合推荐的新闻事件推荐算法 | 第38-48页 |
| 4.1 新闻事件模型 | 第38页 |
| 4.1.1 新闻事件模型的表示 | 第38页 |
| 4.2 用户兴趣模型 | 第38-42页 |
| 4.2.1 基于事件的用户兴趣模型 | 第39-41页 |
| 4.2.2 基于LDA主题模型的用户兴趣模型 | 第41-42页 |
| 4.3 个性化推荐算法 | 第42-47页 |
| 4.3.1 传统推荐算法现存问题 | 第43页 |
| 4.3.2 本文推荐算法的总体设计 | 第43-45页 |
| 4.3.3 本文推荐策略的详细方案 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 个性化新闻事件推荐系统的设计与实现 | 第48-56页 |
| 5.1 系统需求分析 | 第48页 |
| 5.2 系统总体设计 | 第48-49页 |
| 5.2.1 系统架构图 | 第48-49页 |
| 5.3 系统详细设计 | 第49-55页 |
| 5.3.1 数据采集模块 | 第50-51页 |
| 5.3.2 数据存储模块 | 第51-52页 |
| 5.3.3 数据预处理模块 | 第52-53页 |
| 5.3.4 新闻聚类模块 | 第53-54页 |
| 5.3.5 事件推荐模块 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第6章 实验结果与分析 | 第56-66页 |
| 6.1 实验运行环境 | 第56页 |
| 6.2 针对新闻聚类的功能测试 | 第56-60页 |
| 6.2.1 实验数据 | 第56页 |
| 6.2.2 评价指标 | 第56-57页 |
| 6.2.3 实验结果分析 | 第57-60页 |
| 6.3 针对新闻推荐的功能测试 | 第60-65页 |
| 6.3.1 实验数据 | 第60页 |
| 6.3.2 评价指标 | 第60-61页 |
| 6.3.3 实验结果分析 | 第61-65页 |
| 6.4 本章小结 | 第65-66页 |
| 结论与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的学术论文 | 第72-74页 |
| 致谢 | 第74页 |
