| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 背景介绍 | 第9-10页 |
| 1.2 课题研究意义 | 第10页 |
| 1.3 国内外研究的状况 | 第10-11页 |
| 1.4 个性化推荐技术总览 | 第11-15页 |
| 1.5 研究内容 | 第15页 |
| 1.6 本文的组织结构 | 第15-17页 |
| 第二章 基于iOS平台的用户行为数据收集 | 第17-24页 |
| 2.1 用户个性化行为数据收集方案设计 | 第17-20页 |
| 2.1.1 用户原始行为数据收集 | 第17-18页 |
| 2.1.2 用户个性化阅读行为数据分类 | 第18-19页 |
| 2.1.3 用户个性化阅读行为数据分析 | 第19-20页 |
| 2.2 基于iOS平台无痕埋点技术采集用户行为数据 | 第20-23页 |
| 2.2.1 无痕埋点技术的必要性 | 第20-21页 |
| 2.2.2 基于iOS平台上的无痕埋点技术的原理及实现机制 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 基于内容的个性化推荐技术的研究与实现 | 第24-32页 |
| 3.1 文章描述 | 第24-27页 |
| 3.1.1 文章VSM模型表示 | 第24-25页 |
| 3.1.2 TF-IDF算法计算关键词权重 | 第25-27页 |
| 3.2 文本潜语义模型降维 | 第27-28页 |
| 3.3 朴素贝叶斯算法学习用户兴趣模型 | 第28-30页 |
| 3.3.1 朴素贝叶斯算法的原理 | 第29-30页 |
| 3.3.2 用户兴趣模型参数计算 | 第30页 |
| 3.4 基于内容推荐文章的实验 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 协同过滤和混合推荐技术的研究和实现 | 第32-41页 |
| 4.1 混合推荐的必要性 | 第32-33页 |
| 4.2 基于协同过滤算法进行文章列表推荐 | 第33-39页 |
| 4.2.1 基于邻域的协同过滤算法进行文章列表推荐 | 第33-36页 |
| 4.2.2 基于矩阵分解的协同过滤算法进行文章列表推荐 | 第36-39页 |
| 4.3 基于物品流行度推荐技术的分析与实现 | 第39页 |
| 4.4 混合推荐技术的实现和效果分析 | 第39-40页 |
| 4.4.1 混合推荐技术的实现过程 | 第39-40页 |
| 4.4.2 混合推荐技术的效果分析 | 第40页 |
| 4.5 本章小结 | 第40-41页 |
| 第五章 个性化阅读系统的设计实现与结果展示 | 第41-53页 |
| 5.1 总体模块结构 | 第41页 |
| 5.2 iOS客户端模块 | 第41-46页 |
| 5.2.1 功能简介和模块结构 | 第41-43页 |
| 5.2.2 主要技术实现方案 | 第43-45页 |
| 5.2.3 iOS客户端的效果展示 | 第45-46页 |
| 5.3 内容获取模块 | 第46-47页 |
| 5.3.1 网络爬虫模块设计实现 | 第46页 |
| 5.3.2 录入系统 | 第46-47页 |
| 5.4 推荐引擎模块 | 第47-48页 |
| 5.5 后台服务器模块 | 第48-52页 |
| 5.5.1 后台主要模块与接口设计 | 第48-50页 |
| 5.5.2 后台模块技术实现 | 第50-51页 |
| 5.5.3 效果展示 | 第51-52页 |
| 5.6 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58页 |
