| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 缩略词表 | 第10-11页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 本文研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第二章 专家推荐的相关技术 | 第15-26页 |
| 2.1 文本表示模型 | 第15-21页 |
| 2.1.1 空间向量模型 | 第15-16页 |
| 2.1.2 LSI主题模型 | 第16页 |
| 2.1.3 LDA主题模型 | 第16-18页 |
| 2.1.4 词向量 | 第18-21页 |
| 2.2 相似度计算 | 第21-22页 |
| 2.3 K-means聚类算法 | 第22-24页 |
| 2.4 聚类评价标准 | 第24-25页 |
| 2.4.1 纯度 | 第24-25页 |
| 2.4.2 F值 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 专家推荐系统的总体设计 | 第26-37页 |
| 3.1 企业需求分析 | 第26页 |
| 3.2 数据源 | 第26-28页 |
| 3.2.1 数据源的选择 | 第26-27页 |
| 3.2.2 数据的获取与存储 | 第27-28页 |
| 3.3 数据预处理 | 第28-29页 |
| 3.3.1 分词 | 第28页 |
| 3.3.2 去停用词 | 第28-29页 |
| 3.4 推荐系统的总体设计 | 第29-36页 |
| 3.4.1 系统架构 | 第29-30页 |
| 3.4.2 系统功能模块 | 第30-33页 |
| 3.4.3 系统整体流程 | 第33-34页 |
| 3.4.4 专家推荐系统的数据库设计 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 文本表示模型与相似度计算的改进研究 | 第37-45页 |
| 4.1 传统的文本表示模型 | 第37-39页 |
| 4.2 语义表示模型 | 第39-42页 |
| 4.2.1 LDA文本表示 | 第39-41页 |
| 4.2.2 LSI文本表示 | 第41-42页 |
| 4.3 文本表示模型对比分析 | 第42-43页 |
| 4.4 基于内容-语义信息的改进的相似度计算方法 | 第43-44页 |
| 4.4.1 LDA与TF-IDF结合的文本相似度计算方法 | 第43页 |
| 4.4.2 Word2 Vec与LDA相结合的文本相似度计算方法 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 基于K-means算法的专家推荐系统实现 | 第45-61页 |
| 5.1 实验环境 | 第45-46页 |
| 5.2 基于聚类的专家推荐算法实验 | 第46-59页 |
| 5.2.1 基于不同文本表示模型的聚类对比 | 第46-53页 |
| 5.2.2 聚类结果分析 | 第53-58页 |
| 5.2.3 专家推荐算法实现 | 第58-59页 |
| 5.3 专家推荐系统实现 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-65页 |