| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的主要工作 | 第12页 |
| 1.4 论文组织结构 | 第12-15页 |
| 第2章 相关理论概述 | 第15-27页 |
| 2.1 推荐算法 | 第15-19页 |
| 2.1.1 协同过滤推荐算法 | 第15-18页 |
| 2.1.2 基于内容的推荐算法 | 第18-19页 |
| 2.1.3 基于社交网络的好友推荐 | 第19页 |
| 2.2 聚类算法 | 第19-21页 |
| 2.3 分类算法 | 第21-23页 |
| 2.3.1 文本的预处理 | 第21-22页 |
| 2.3.2 特征选择 | 第22-23页 |
| 2.3.3 特征权重计算 | 第23页 |
| 2.3.4 最终分类 | 第23页 |
| 2.4 PageRank算法概述 | 第23-24页 |
| 2.5 本体的构建 | 第24-26页 |
| 2.5.1 本体的概念 | 第24-25页 |
| 2.5.2 本体库的概念 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 微博中用户关系的分析 | 第27-51页 |
| 3.1 好友推荐方法的概述 | 第27-28页 |
| 3.2 微博标签的处理 | 第28-31页 |
| 3.2.1 微博标签的相似性处理 | 第29-30页 |
| 3.2.2 微博标签的聚类分析 | 第30-31页 |
| 3.3 微博用户所发状态的分析 | 第31-38页 |
| 3.3.1 微博用户所发状态的处理 | 第32-35页 |
| 3.3.2 本体知识在微博信息中的应用 | 第35-37页 |
| 3.3.3 用户兴趣的分析 | 第37-38页 |
| 3.4 用户身边的用户影响力分析 | 第38-44页 |
| 3.4.1 基于PageRank算法的用户影响力计算 | 第38-41页 |
| 3.4.2 待推荐用户身边的用户影响力改进算法 | 第41-44页 |
| 3.5 用户地理位置关系的分析 | 第44-49页 |
| 3.5.1 新浪微博中的签到信息 | 第44-46页 |
| 3.5.2 用户签到信息分析 | 第46-48页 |
| 3.5.3 基于地理位置的推荐 | 第48-49页 |
| 3.6 基于微博用户关系分析的好友推荐算法的提出 | 第49-50页 |
| 3.7 本章小结 | 第50-51页 |
| 第4章 基于微博用户关系分析的好友推荐系统设计与实现 | 第51-65页 |
| 4.1 系统设计 | 第51-58页 |
| 4.1.1 功能性需求分析 | 第51-53页 |
| 4.1.2 非功能性需求分析 | 第53页 |
| 4.1.3 系统架构设计 | 第53-54页 |
| 4.1.4 系统数据库设计 | 第54-56页 |
| 4.1.5 主要模块详细设计 | 第56-58页 |
| 4.2 本体的构建 | 第58-61页 |
| 4.2.1 WordNet的使用 | 第58-60页 |
| 4.2.2 自建本体的构建 | 第60-61页 |
| 4.3 系统的主要功能实现 | 第61-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第5章 实验结果分析 | 第65-73页 |
| 5.1 实验数据获取 | 第65-68页 |
| 5.1.1 新浪微博开放平台数据获取 | 第65-67页 |
| 5.1.2 文本分类数据获取 | 第67-68页 |
| 5.2 算法评价标准 | 第68-69页 |
| 5.3 准确率实验结果与分析 | 第69-70页 |
| 5.4 召回率实验结果与分析 | 第70-71页 |
| 5.5 本章小结 | 第71-73页 |
| 结论 | 第73-75页 |
| 参考 文献 | 第75-79页 |
| 攻读硕士学位期间取得的研究成果 | 第79-81页 |
| 致谢 | 第81页 |