| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-12页 |
| 1.2.1 科技文献推荐 | 第10-11页 |
| 1.2.2 文本的特征提取与分词技术 | 第11页 |
| 1.2.3 用户兴趣模型的构建 | 第11页 |
| 1.2.4 基于Hadoop云平台的信息推荐 | 第11-12页 |
| 1.3 本文主要研究内容及组织结构 | 第12-15页 |
| 第2章 本文相关技术概述 | 第15-23页 |
| 2.1 Lucene全文检索引擎 | 第16页 |
| 2.2 基于内容的推荐算法 | 第16-17页 |
| 2.3 特征提取应用的智能分词器 | 第17-18页 |
| 2.4 向量空间模型 | 第18-19页 |
| 2.5 Hadoop云平台相关技术概述 | 第19-21页 |
| 2.6 本章小结 | 第21-23页 |
| 第3章 面向检索系统的实时推荐策略 | 第23-33页 |
| 3.1 针对检索时的实时推荐研究 | 第23-26页 |
| 3.1.1 基于编辑距离的相似检索词推荐 | 第23-25页 |
| 3.1.2 基于Lucene检索的高频关键词推荐 | 第25-26页 |
| 3.2 针对用户行为的实时推荐研究 | 第26-31页 |
| 3.2.1 基于文献相似内容的推荐策略 | 第26-29页 |
| 3.2.2 基于海量作者倒排索引的推荐方法 | 第29-31页 |
| 3.3 本章小结 | 第31-33页 |
| 第4章 基于多权重用户模型的线下推荐 | 第33-43页 |
| 4.1 文献资源模型构建 | 第33-36页 |
| 4.1.1 简单文献资源模型 | 第34页 |
| 4.1.2 基于内容权重的文献资源模型 | 第34-36页 |
| 4.2 用户兴趣模型构建 | 第36-39页 |
| 4.2.1 无用户行为加权的用户兴趣模型 | 第36-37页 |
| 4.2.2 基于行为及内容加权的用户模型 | 第37-39页 |
| 4.3 基于内容的线下邮件推荐策略 | 第39-41页 |
| 4.3.1 多权重基于内容推荐方法 | 第39-40页 |
| 4.3.2 定时邮件推荐策略 | 第40-41页 |
| 4.4 基于Hadoop的文献资源模型建立方法 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 实验结果及分析 | 第43-51页 |
| 5.1 实时推荐的实验结果与分析 | 第43-46页 |
| 5.1.1 针对检索时的实时推荐性能分析 | 第43-45页 |
| 5.1.2 针对用户行为的实时推荐性能分析 | 第45-46页 |
| 5.2 线下推荐的实验结果及分析 | 第46-49页 |
| 5.2.1 无权重推荐实验结果及分析 | 第47页 |
| 5.2.2 基于内容加权的实验结果及分析 | 第47-48页 |
| 5.2.3 基于内容与行为加权实验结果分析 | 第48-49页 |
| 5.3 应用Hadoop建立资源模型实验结果及分析 | 第49页 |
| 5.4 本章小结 | 第49-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间所取得的研究成果 | 第57-59页 |
| 致谢 | 第59页 |