| 摘要 | 第4-7页 |
| ABSTRACT | 第7-10页 |
| 第一章 绪论 | 第14-28页 |
| 1.1 研究背景和意义 | 第14-19页 |
| 1.2 论文主要研究内容及创新点 | 第19-25页 |
| 1.3 论文结构安排 | 第25-28页 |
| 第二章 上下文感知的移动用户个性化新闻偏好获取及推荐技术综述 | 第28-48页 |
| 2.1 上下文感知的移动用户个性化新闻偏好获取及推荐通用模型 | 第28-30页 |
| 2.2 上下文感知的移动用户个性化新闻偏好获取方法 | 第30-34页 |
| 2.2.1 基于协同过滤的上下文感知移动用户个性化新闻偏好获取方法 | 第31-32页 |
| 2.2.2 基于内容的上下文感知移动用户个性化新闻偏好获取方法 | 第32-34页 |
| 2.2.3 上下文感知的移动用户个性化新闻偏好获取混合方法 | 第34页 |
| 2.2.4 上下文感知的移动用户个性化新闻偏好更新技术 | 第34页 |
| 2.3 上下文感知的个性化移动新闻推荐关键技术 | 第34-40页 |
| 2.3.1 时间感知的个性化移动新闻推荐技术 | 第34-35页 |
| 2.3.2 位置感知的个性化移动新闻推荐技术 | 第35-37页 |
| 2.3.3 社会化上下文感知的个性化移动新闻推荐技术 | 第37-38页 |
| 2.3.4 新颖性感知的个性化移动新闻推荐技术 | 第38-39页 |
| 2.3.5 多维上下文感知的个性化移动新闻推荐技术 | 第39-40页 |
| 2.3.6 基于深度学习的个性化移动新闻推荐技术 | 第40页 |
| 2.4 上下文感知的个性化移动新闻推荐技术性能评估 | 第40-45页 |
| 2.4.1 数据集 | 第40-41页 |
| 2.4.2 评估指标 | 第41-45页 |
| 2.5 上下文感知的移动用户个性化新闻偏好获取及推荐技术面临的难题 | 第45-46页 |
| 2.6 本章小结 | 第46-48页 |
| 第三章 基于位置上下文的移动用户新闻偏好获取及推荐 | 第48-66页 |
| 3.1 引言 | 第48-50页 |
| 3.2 显式局部语义分析 | 第50-52页 |
| 3.3 主题特征建模 | 第52-58页 |
| 3.3.1 基于聚类的局部语义分析 | 第52-53页 |
| 3.3.2 基于自编码的局部语义分析 | 第53-55页 |
| 3.3.3 深度局部语义分析 | 第55-58页 |
| 3.4 实验与分析 | 第58-64页 |
| 3.4.1 实验设置 | 第58-60页 |
| 3.4.2 推荐性能评估 | 第60-63页 |
| 3.4.3 效率和可扩展性 | 第63-64页 |
| 3.5 本章小结 | 第64-66页 |
| 第四章 位置感知的移动用户个性化新闻偏好获取及推荐 | 第66-88页 |
| 4.1 引言 | 第66-68页 |
| 4.2 问题描述 | 第68-69页 |
| 4.3 基于显式语义分析的位置感知个性化新闻偏好获取及推荐算法 | 第69-74页 |
| 4.3.1 通用用户档案 | 第71-72页 |
| 4.3.2 通用新闻档案 | 第72-73页 |
| 4.3.3 局部主题分布 | 第73页 |
| 4.3.4 局部用户档案 | 第73-74页 |
| 4.3.5 局部新闻档案 | 第74页 |
| 4.4 基于深度语义分析的位置感知个性化新闻偏好获取及推荐算法 | 第74-78页 |
| 4.5 实验与分析 | 第78-86页 |
| 4.5.1 实验设置 | 第78-79页 |
| 4.5.2 推荐性能评估 | 第79-84页 |
| 4.5.3 效率和可扩展性 | 第84-86页 |
| 4.6 本章小结 | 第86-88页 |
| 第五章 基于多维上下文的移动用户新闻偏好获取及推荐 | 第88-108页 |
| 5.1 引言 | 第88-90页 |
| 5.2 基于多维上下文的移动用户新闻偏好获取及推荐算法 | 第90-97页 |
| 5.2.1 真实社会化上下文推断 | 第90-93页 |
| 5.2.2 新闻时效性计算 | 第93-94页 |
| 5.2.3 用户兴趣相似性 | 第94-95页 |
| 5.2.4 基于图的移动新闻推荐算法 | 第95-97页 |
| 5.3 实验与分析 | 第97-106页 |
| 5.3.1 实验设置 | 第97-98页 |
| 5.3.2 好友关系对新闻偏好的影响及朋友群组划分性能评估 | 第98-102页 |
| 5.3.3 推荐性能评估 | 第102-104页 |
| 5.3.4 时效性评估 | 第104-106页 |
| 5.4 本章小结 | 第106-108页 |
| 第六章 基于新颖性上下文的移动用户新闻偏好获取及推荐 | 第108-130页 |
| 6.1 引言 | 第108-110页 |
| 6.2 基于新颖性上下文的移动用户新闻偏好获取及推荐算法 | 第110-117页 |
| 6.2.1 新闻新颖性检测机制 | 第110-115页 |
| 6.2.2 基于命名实体的移动用户兴趣相似性 | 第115页 |
| 6.2.3 基于正则化矩阵分解模型的移动新闻推荐 | 第115-117页 |
| 6.3 实验与分析 | 第117-127页 |
| 6.3.1 实验设置 | 第117-119页 |
| 6.3.2 新颖性检测效果和效率分析 | 第119-124页 |
| 6.3.3 推荐性能和推荐结果新颖性评估 | 第124-127页 |
| 6.4 本章小结 | 第127-130页 |
| 第七章 总结与展望 | 第130-136页 |
| 7.1 总结 | 第130-133页 |
| 7.2 未来工作展望 | 第133-136页 |
| 参考文献 | 第136-146页 |
| 致谢 | 第146-148页 |
| 附录:在攻博期间完成的文章 | 第148页 |
