基于主题模型的用户兴趣发现与好友推荐研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 推荐算法的发展现状 | 第11-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 论文结构安排 | 第13-16页 |
| 第二章 相关理论基础 | 第16-25页 |
| 2.1 提出问题和相关工作 | 第16页 |
| 2.2 基于内容的推荐算法简介 | 第16-20页 |
| 2.2.1 基于内容的推荐算法执行过程 | 第17-19页 |
| 2.2.2 基于内容的推荐算法的不足 | 第19-20页 |
| 2.3 LDA主题模型 | 第20-23页 |
| 2.3.1 LDA主题模型简介 | 第20页 |
| 2.3.2 LDA主题模型整体流程 | 第20-23页 |
| 2.4 兴趣迁移挖掘算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 用户文档获取和处理 | 第25-38页 |
| 3.1 应用层的微博用户数据 | 第25-26页 |
| 3.2 微博数据抓取平台 | 第26-33页 |
| 3.2.1 微博数据的获取工具介绍 | 第26页 |
| 3.2.2 平台的主要构成 | 第26-27页 |
| 3.2.3 平台的设计实现 | 第27-32页 |
| 3.2.4 获取结果 | 第32-33页 |
| 3.3 微博文本的处理 | 第33-37页 |
| 3.3.1 微博用户数据的处理 | 第33-35页 |
| 3.3.2 微博文本处理 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 改进的LDA主题模型 | 第38-60页 |
| 4.1 传统的微博用户LDA主题模型 | 第38-40页 |
| 4.2 LDA主题推荐模型的改进思路 | 第40-43页 |
| 4.3 改进的LDA主题推荐模型实验结果 | 第43-59页 |
| 4.3.1 评价指标 | 第43页 |
| 4.3.2 实验策略 | 第43-44页 |
| 4.3.3 主题高频词相似度 | 第44-54页 |
| 4.3.4 主题模型相似度和可用性 | 第54-55页 |
| 4.3.5 实验总结 | 第55-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 基于兴趣周期的用户兴趣发掘算法 | 第60-78页 |
| 5.1 用户潜在兴趣 | 第60-61页 |
| 5.2 用户兴趣周期 | 第61-64页 |
| 5.3 用户兴趣发生迁移时的兴趣挖掘 | 第64-66页 |
| 5.4 发掘算法的实验结果 | 第66-77页 |
| 5.4.1 实验策略 | 第66-69页 |
| 5.4.2 算法偏差度 | 第69-74页 |
| 5.4.3 用户兴趣走势 | 第74-76页 |
| 5.4.4 实验总结 | 第76-77页 |
| 5.5 本章小结 | 第77-78页 |
| 第六章 混合余弦相似度的主题模型推荐算法 | 第78-88页 |
| 6.1 两种距离计算方法 | 第78-80页 |
| 6.1.1 余弦相似度 | 第78-79页 |
| 6.1.2 JS距离和它的问题 | 第79-80页 |
| 6.2 混合余弦相似度的推荐 | 第80-82页 |
| 6.3 推荐算法实验结果 | 第82-86页 |
| 6.3.1 评价指标 | 第83页 |
| 6.3.2 实验策略 | 第83-84页 |
| 6.3.3 实验结果分析 | 第84-86页 |
| 6.4 本章小结 | 第86-88页 |
| 第七章 总结与展望 | 第88-90页 |
| 7.1 全文总结 | 第88页 |
| 7.2 工作展望 | 第88-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-94页 |
