基于用户聚类和语义词典的微博推荐系统
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 目录 | 第5-7页 |
| 图目录 | 第7-8页 |
| 表目录 | 第8-9页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 本文的主要工作 | 第10-11页 |
| 1.3 本文的组织结构 | 第11-12页 |
| 1.4 本章小结 | 第12-13页 |
| 第2章 相关技术综述 | 第13-30页 |
| 2.1 中文分词 | 第13-16页 |
| 2.1.1 中文分词简介及作用 | 第13页 |
| 2.1.2 中文分词算法 | 第13-15页 |
| 2.1.3 ICTCLAS中文分词系统 | 第15-16页 |
| 2.2 个性化推荐 | 第16-22页 |
| 2.2.1 基于内容的推荐 | 第18-20页 |
| 2.2.2 协同过滤推荐 | 第20-22页 |
| 2.2.3 混合推荐 | 第22页 |
| 2.3 聚类分析 | 第22-26页 |
| 2.3.1 聚类算法综述 | 第22页 |
| 2.3.2 聚类算法分类 | 第22-24页 |
| 2.3.3 基于划分的聚类算法 | 第24-26页 |
| 2.4 文本相似性度量 | 第26-29页 |
| 2.4.1 基于向量空间模型的TF-IDF方法 | 第26-27页 |
| 2.4.2 隐性语义索引法 | 第27页 |
| 2.4.3 基于属性论的文本相似度计算方法 | 第27-28页 |
| 2.4.4 基于汉明距离的文本相似度计算方法 | 第28-29页 |
| 2.4.5 基于语义理解的相似度计算方法 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于用户兴趣模型的聚类算法 | 第30-46页 |
| 3.1 问题描述 | 第30-31页 |
| 3.2 基于内容的用户兴趣建模 | 第31-35页 |
| 3.2.1 用户兴趣模型定义 | 第31-32页 |
| 3.2.2 用户兴趣建模 | 第32-35页 |
| 3.3 基于用户兴趣模型的聚类算法 | 第35-42页 |
| 3.3.1 用户-关键词模型的建立 | 第35-36页 |
| 3.3.2 K-Means聚类算法 | 第36-38页 |
| 3.3.3 改进的K-Means聚类算法 | 第38-42页 |
| 3.4 实验结果分析 | 第42-44页 |
| 3.4.1 实验设计和评价标准 | 第42-43页 |
| 3.4.2 实验结果 | 第43-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第4章 基于语义词典的相似性算法 | 第46-58页 |
| 4.1 问题描述 | 第46-47页 |
| 4.2 基于语义词典的短文本相似性算法 | 第47-50页 |
| 4.2.1 基于知网的词汇相似度计算 | 第47-49页 |
| 4.2.2 微博语义相似度计算 | 第49-50页 |
| 4.3 改进的基于语义词典的微博相似性算法 | 第50-55页 |
| 4.3.1 微博语义相似性算法的优缺点 | 第50-51页 |
| 4.3.2 改进的微博语义相似性算法 | 第51-55页 |
| 4.4 实验结果分析 | 第55-57页 |
| 4.4.1 实验设计和评价标准 | 第55-56页 |
| 4.4.2 实验结果 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 系统设计与实现 | 第58-65页 |
| 5.1 微博系统概述 | 第58-61页 |
| 5.1.1 系统架构 | 第58-59页 |
| 5.1.2 基本功能实现 | 第59-61页 |
| 5.2 微博数据的抓取和分析 | 第61-63页 |
| 5.2.1 新浪微博API介绍 | 第61-62页 |
| 5.2.2 微博数据的抓取 | 第62-63页 |
| 5.3 订阅推荐功能实现 | 第63-64页 |
| 5.3.1 功能概述 | 第63-64页 |
| 5.3.2 具体实现 | 第64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |
