| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究的背景和意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 本文研究内容与贡献 | 第12-15页 |
| 1.2.1 本文主要研究内容 | 第12-14页 |
| 1.2.2 本文研究的关键问题 | 第14页 |
| 1.2.3 论文的创新点 | 第14-15页 |
| 1.3 论文的基本框架 | 第15页 |
| 1.4 本章小结 | 第15-16页 |
| 第二章 研究基础与现状 | 第16-23页 |
| 2.1 推荐系统 | 第16页 |
| 2.2 典型的推荐算法 | 第16-21页 |
| 2.2.1 基于内容的推荐 | 第16-17页 |
| 2.2.2 协同过滤推荐算法 | 第17-19页 |
| 2.2.3 混合推荐算法 | 第19页 |
| 2.2.4 社会化推荐算法 | 第19-21页 |
| 2.2.5 上下文感知推荐算法 | 第21页 |
| 2.3 可信推荐 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 数据预处理 | 第23-33页 |
| 3.1 数据准备 | 第23-25页 |
| 3.1.1 中文分词及词性标注 | 第23-24页 |
| 3.1.2 无效词语及无效评论过滤 | 第24-25页 |
| 3.2 基于双向迭代和自动构建更新语料库的垃圾评论过滤 | 第25-31页 |
| 3.2.1 相关工作 | 第25-26页 |
| 3.2.2 算法描述 | 第26-31页 |
| 3.3 实验结果与分析 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 面向评论文本的特征抽取与聚类 | 第33-52页 |
| 4.1 相关工作 | 第33-34页 |
| 4.2 词典构建与关联矩阵构建 | 第34-39页 |
| 4.3 显式特征抽取 | 第39-41页 |
| 4.3.1 基于句法结构的显式特征直接抽取 | 第39-40页 |
| 4.3.2 基于共现分析的多特征推断 | 第40-41页 |
| 4.4 基于共现分析和上下文语境的隐式特征抽取 | 第41-45页 |
| 4.4.1 算法描述 | 第41-43页 |
| 4.4.2 实验结果与分析 | 第43-45页 |
| 4.5 特征词聚类 | 第45-51页 |
| 4.5.1 基于启发式信息的粗粒度特征词聚类 | 第45-46页 |
| 4.5.2 基于层次聚类法的细粒度特征词聚类 | 第46-47页 |
| 4.5.3 实验结果与分析 | 第47-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 面向评论文本的特征级情感分析与聚合 | 第52-65页 |
| 5.1 相关工作 | 第52-53页 |
| 5.2 特征级情感分析 | 第53-60页 |
| 5.2.1 基于语法规则的非观点句识别 | 第53-54页 |
| 5.2.2 基于语义模式的特征级情感计算 | 第54-56页 |
| 5.2.3 基于领域情感词的情感分析结果修正 | 第56-59页 |
| 5.2.4 实验结果与分析 | 第59-60页 |
| 5.3 特征级情感分析结果聚合 | 第60-64页 |
| 5.3.1 基于粗粒度特征的情感分析结果聚合 | 第61-62页 |
| 5.3.2 基于细粒度特征的情感分析结果聚合 | 第62-63页 |
| 5.3.3 基于品牌的特征级情感分析结果聚合 | 第63-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 基于D-S证据理论的可信推荐模型 | 第65-77页 |
| 6.1 基于D-S证据理论的情感结果融合方法 | 第65-70页 |
| 6.1.1 D-S证据理论的基本概念 | 第65-67页 |
| 6.1.2 基于Bayes近似的D-S证据融合方法 | 第67-70页 |
| 6.2 基于D-S证据融合信用评分的可信推荐模型 | 第70-76页 |
| 6.2.1 可信推荐模型的基本算法 | 第71页 |
| 6.2.2 基于店铺的可信推荐 | 第71-74页 |
| 6.2.3 基于产品的可信推荐 | 第74-76页 |
| 6.3 本章小结 | 第76-77页 |
| 第七章 总结与展望 | 第77-78页 |
| 7.1 本文研究工作总结 | 第77页 |
| 7.2 未来工作展望 | 第77-78页 |
| 攻读硕士学位期间主要的研究成果 | 第78-79页 |
| 参考文献 | 第79-86页 |
| 致谢 | 第86页 |