面向位置的移动新闻推荐研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第13-21页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 移动新闻推荐 | 第15-17页 |
| 1.2.1 移动新闻推荐特点 | 第15-16页 |
| 1.2.2 移动新闻推荐与其他移动推荐区别 | 第16-17页 |
| 1.3 国内外研究现状 | 第17-18页 |
| 1.3.1 推荐技术研究现状 | 第17页 |
| 1.3.2 新闻推荐系统研究现状 | 第17-18页 |
| 1.4 论文主要工作 | 第18-19页 |
| 1.5 论文组织结构 | 第19-20页 |
| 1.6 本章小结 | 第20-21页 |
| 2 相关技术介绍 | 第21-36页 |
| 2.1 位置服务 | 第21-22页 |
| 2.2 聚类分析 | 第22-25页 |
| 2.2.1 划分聚类 | 第23-24页 |
| 2.2.2 层次聚类 | 第24页 |
| 2.2.3 基于密度的聚类 | 第24-25页 |
| 2.3 个性化推荐技术 | 第25-32页 |
| 2.3.1 基于内容的推荐 | 第26-27页 |
| 2.3.2 协同过滤推荐 | 第27-31页 |
| 2.3.3 混合推荐 | 第31-32页 |
| 2.4 LDA模型 | 第32-34页 |
| 2.4.1 LDA模型的原理 | 第32-33页 |
| 2.4.2 LDA模型生成文本流程 | 第33-34页 |
| 2.5 向量空间模型 | 第34-35页 |
| 2.6 本章小结 | 第35-36页 |
| 3 三维相似度算法 | 第36-43页 |
| 3.1 传统相似度算法 | 第36-38页 |
| 3.1.1 余弦相似度 | 第36-37页 |
| 3.1.2 修正的余弦相似度 | 第37页 |
| 3.1.3 Jaccard系数 | 第37-38页 |
| 3.1.4 Pearson系数 | 第38页 |
| 3.1.5 偏好相似度 | 第38页 |
| 3.2 轨迹-属性-偏好相似度算法 | 第38-41页 |
| 3.2.1 轨迹相似度 | 第39-40页 |
| 3.2.2 属性相似度 | 第40-41页 |
| 3.2.3 偏好相似度 | 第41页 |
| 3.3 三维相似度算法 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 4 DLR推荐模型 | 第43-51页 |
| 4.1 用户历史阅读位置确定 | 第44-46页 |
| 4.2 用户长期与多样性阅读兴趣模型 | 第46-48页 |
| 4.2.1 长期阅读兴趣模型 | 第46-47页 |
| 4.2.2 多样性阅读兴趣模型 | 第47-48页 |
| 4.3 DLR推荐模型 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 5 实验设置及分析 | 第51-58页 |
| 5.1 实验数据及平台 | 第51页 |
| 5.2 实验评价指标 | 第51-52页 |
| 5.3 实验对比及分析 | 第52-57页 |
| 5.3.1 位置因素分析 | 第52-53页 |
| 5.3.2 相似度算法的系数确定 | 第53-54页 |
| 5.3.3 推荐结果评价 | 第54-57页 |
| 5.4 结论 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58-59页 |
| 6.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 作者简介及读研期间主要科研成果 | 第65-66页 |
