基于项目特征和排序学习的新闻推荐系统设计与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状及研究内容 | 第12-16页 |
| 1.2.1 基于项目特征的流行度预测方法 | 第12-13页 |
| 1.2.2 基于循环神经网络的新闻推荐方法 | 第13-14页 |
| 1.2.3 基于排序学习的新闻推荐方法 | 第14-15页 |
| 1.2.4 新闻推荐系统 | 第15-16页 |
| 1.3 论文组织结构 | 第16-19页 |
| 第二章 基于项目特征的新闻流行度预测方法 | 第19-31页 |
| 2.1 流行度预测方法 | 第19-22页 |
| 2.1.1 流行度度量 | 第19-20页 |
| 2.1.2 流行度预测问题定义 | 第20页 |
| 2.1.3 新闻特征提取 | 第20-21页 |
| 2.1.4 方法描述 | 第21-22页 |
| 2.2 方法实验 | 第22-28页 |
| 2.2.1 划分粒度 | 第22-23页 |
| 2.2.2 数据集 | 第23页 |
| 2.2.3 评价指标 | 第23-24页 |
| 2.2.4 实验分析 | 第24-27页 |
| 2.2.5 基于流行度预测的非个性化推荐方法 | 第27-28页 |
| 2.3 本章小结 | 第28-31页 |
| 第三章 基于循环神经网络的新闻推荐方法 | 第31-42页 |
| 3.1 推荐方法描述 | 第31-37页 |
| 3.1.1 新闻特征表示 | 第32-33页 |
| 3.1.2 用户表示 | 第33-34页 |
| 3.1.3 新闻特征的演化 | 第34-36页 |
| 3.1.4 方法描述 | 第36-37页 |
| 3.2 实验结果分析 | 第37-40页 |
| 3.2.1 数据集与实验环境 | 第37-38页 |
| 3.2.2 评价方法 | 第38页 |
| 3.2.3 实验结果与分析 | 第38-39页 |
| 3.2.4 参数调整 | 第39-40页 |
| 3.3 本章小结 | 第40-42页 |
| 第四章 基于排序学习的新闻推荐方法 | 第42-51页 |
| 4.1 推荐方法 | 第43-47页 |
| 4.1.1 新闻流行度特征 | 第43-44页 |
| 4.1.2 协同过滤推荐方法 | 第44-45页 |
| 4.1.3 基于内容的推荐方法 | 第45-46页 |
| 4.1.4 基于循环神经网络的推荐方法 | 第46页 |
| 4.1.5 排序学习推荐融合 | 第46-47页 |
| 4.2 实验及结果分析 | 第47-50页 |
| 4.2.1 评价指标 | 第47-48页 |
| 4.2.2 实验结果分析 | 第48-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 新闻推荐系统分析及设计 | 第51-65页 |
| 5.1 需求分析 | 第51-53页 |
| 5.1.1 功能需求 | 第52-53页 |
| 5.1.2 技术需求 | 第53页 |
| 5.2 系统总体设计 | 第53-55页 |
| 5.2.1 系统功能设计 | 第54-55页 |
| 5.2.2 网络结构设计 | 第55页 |
| 5.3 推荐功能设计 | 第55-58页 |
| 5.4 系统详细设计 | 第58-64页 |
| 5.4.1 存储层设计 | 第58-61页 |
| 5.4.2 数据获取设计 | 第61-63页 |
| 5.4.3 数据预处理 | 第63-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 新闻推荐系统实现及测试 | 第65-75页 |
| 6.1 系统实现 | 第65-68页 |
| 6.1.1 服务端接口 | 第65页 |
| 6.1.2 功能实现 | 第65-68页 |
| 6.2 系统测试 | 第68-73页 |
| 6.2.1 功能测试 | 第68-70页 |
| 6.2.2 性能测试 | 第70-71页 |
| 6.2.3 推荐方法测试 | 第71-72页 |
| 6.2.4 对比分析 | 第72-73页 |
| 6.3 本章小结 | 第73-75页 |
| 第七章 总结与展望 | 第75-77页 |
| 7.1 总结 | 第75页 |
| 7.2 展望 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83页 |
