| 摘要 | 第4-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 社交网络的特征分析 | 第12页 |
| 1.2.2 社交网络中的短文本分类 | 第12-13页 |
| 1.2.3 基于内容的微博推荐及排序 | 第13页 |
| 1.3 主要研究工作及创新点 | 第13-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 2 社交网络信息流推荐相关知识 | 第16-27页 |
| 2.1 社交网络及微博 | 第16页 |
| 2.2 信息过载与推荐系统 | 第16-20页 |
| 2.2.1 基于用户的协同过滤算法 | 第17-19页 |
| 2.2.2 基于内容的协同过滤算法 | 第19-20页 |
| 2.3 微博短文本分析 | 第20-21页 |
| 2.4 微博文档模型表示 | 第21-27页 |
| 2.4.1 TF-IDF | 第21-22页 |
| 2.4.2 LSA 和 SVD | 第22-23页 |
| 2.4.3 PLSA | 第23-25页 |
| 2.4.4 LDA | 第25-27页 |
| 3 基于 TF-IDF 和 LDA 的微博信息流推荐模型 | 第27-40页 |
| 3.1 整体解决思路及框架 | 第27-28页 |
| 3.2 基于 TF-IDF 的微博信息流兴趣度量 | 第28-31页 |
| 3.2.1 基于 TF-IDF 的微博信息流主题相关性分析 | 第28-30页 |
| 3.2.2 用户的冷启动 | 第30页 |
| 3.2.3 用户的影响力分析 | 第30-31页 |
| 3.3 基于 LDA 的微博主题相关性分析 | 第31-37页 |
| 3.3.1 LDA 模型的详细描述 | 第31-33页 |
| 3.3.2 Gibbs Sampling 学习 LDA 模型 | 第33-35页 |
| 3.3.3 基于主题特征的微博文档表示形式 | 第35-37页 |
| 3.4 基于 TF-IDF 和 LDA 的个性化微博信息流推荐模型 | 第37-40页 |
| 3.4.1 基于 TF-IDF 的微博信息流推荐算法 | 第37页 |
| 3.4.2 基于 LDA 的微博信息流推荐算法 | 第37-40页 |
| 4 实验结果及评价 | 第40-45页 |
| 4.1 数据集和数据的预处理 | 第40页 |
| 4.2 算法评价和方法比较 | 第40-45页 |
| 5 结论与展望 | 第45-47页 |
| 5.1 结论 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 攻读硕士期间的研究成果及参加的科研项目 | 第51页 |
