面向兴趣主题的新浪微博个性化推荐方法
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-12页 |
| 1.3 论文研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 相关理论与技术 | 第15-23页 |
| 2.1 数据采集技术 | 第15-17页 |
| 2.1.1 通过开放API获取数据 | 第15-16页 |
| 2.1.2 通过微博爬虫获取数据 | 第16-17页 |
| 2.2 数据处理技术 | 第17-18页 |
| 2.2.1 分词技术 | 第17-18页 |
| 2.2.2 停用词处理 | 第18页 |
| 2.3 基于内容的推荐 | 第18-19页 |
| 2.4 LDA主题模型 | 第19-22页 |
| 2.4.1 Dirichlet分布 | 第19-20页 |
| 2.4.2 LDA主题模型 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 面向兴趣主题的微博个性化推荐 | 第23-33页 |
| 3.1 整体研究框架设计 | 第23-25页 |
| 3.2 微博文本信息处理 | 第25-26页 |
| 3.2.1 数据收集及预处理 | 第25页 |
| 3.2.2 中文分词及去停用词 | 第25-26页 |
| 3.3 基于LDA的用户兴趣主题挖掘 | 第26-28页 |
| 3.4 基于主题相似度和转发量的微博个性化推荐 | 第28-30页 |
| 3.4.1 微博与用户兴趣之间的相似性分析 | 第28-29页 |
| 3.4.2 基于主题相似度和转发量的个性化推荐 | 第29-30页 |
| 3.5 本章小结 | 第30-33页 |
| 4 实验结果及分析 | 第33-45页 |
| 4.1 实验准备 | 第33-38页 |
| 4.1.1 实验环境 | 第33页 |
| 4.1.2 实验数据 | 第33-36页 |
| 4.1.3 数据预处理 | 第36页 |
| 4.1.4 用户兴趣主题挖掘 | 第36-37页 |
| 4.1.5 主题相似性与转发量之间的相关性 | 第37-38页 |
| 4.2 实验评估指标 | 第38-39页 |
| 4.3 权重参数λ值对实验性能的影响 | 第39-40页 |
| 4.4 实验结果分析 | 第40-43页 |
| 4.4.1 性能对比分析 | 第40-41页 |
| 4.4.2 结果分析 | 第41-43页 |
| 4.5 本章小结 | 第43-45页 |
| 5 总结与展望 | 第45-47页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |
