基于用户兴趣的协同过滤算法的广告推荐研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状综述 | 第12-14页 |
| 1.3 本文主要工作 | 第14-15页 |
| 1.4 本文的结构 | 第15-16页 |
| 第二章 数据挖掘及存储相关背景知识 | 第16-24页 |
| 2.1 数据挖掘以及Web数据挖掘基础知识 | 第16-19页 |
| 2.1.1 数据挖掘 | 第16-17页 |
| 2.1.2 Web数据挖掘 | 第17-19页 |
| 2.2 N叉树介绍 | 第19-20页 |
| 2.3 MongoDB 的介绍 | 第20-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第三章 用于兴趣提取的数据源获取 | 第24-40页 |
| 3.1 静态数据获取 | 第24-25页 |
| 3.2 动态数据获取 | 第25-38页 |
| 3.2.1 动态数据特点 | 第25-29页 |
| 3.2.2 主题爬虫 | 第29-31页 |
| 3.2.3 多线程主题爬虫算法 | 第31-35页 |
| 3.2.4 多线程主题爬虫仿真结果 | 第35-38页 |
| 3.3 本章小结 | 第38-40页 |
| 第四章 用于兴趣提取的数据源处理 | 第40-56页 |
| 4.1 静态数据处理 | 第40-44页 |
| 4.1.1 数据在MongoDB存储策略 | 第40-41页 |
| 4.1.2 关系查找树算法在静态数据的研究 | 第41-44页 |
| 4.2 动态数据处理 | 第44-54页 |
| 4.2.1 Trie树组织语料库 | 第44-47页 |
| 4.2.2 Trie树结构改进 | 第47-49页 |
| 4.2.3 改进Trie树仿真 | 第49页 |
| 4.2.4 动态数据分词 | 第49-53页 |
| 4.2.5 分词仿真 | 第53-54页 |
| 4.3 本章小结 | 第54-56页 |
| 第五章 兴趣提取 | 第56-60页 |
| 5.1 兴趣提取策略 | 第56-57页 |
| 5.2 兴趣提取流程 | 第57-58页 |
| 5.3 兴趣提取仿真 | 第58页 |
| 5.4 本章小结 | 第58-60页 |
| 第六章 改进协同过滤算法在广告推荐中的应用 | 第60-70页 |
| 6.1 协同过滤算法 | 第60-62页 |
| 6.1.1 基于用户的协同过滤算法 | 第60-61页 |
| 6.1.2 基于物品的协同过滤算法 | 第61-62页 |
| 6.2 改进协同过滤算法 | 第62-66页 |
| 6.2.1 算法改进思想 | 第62-64页 |
| 6.2.2 算法改进实现 | 第64-66页 |
| 6.3 改进的算法在交友网的广告推荐应用 | 第66-70页 |
| 6.3.1 交友网的设计 | 第67页 |
| 6.3.2 算法在交友网的广告推荐应用 | 第67-70页 |
| 第七章 总结与展望 | 第70-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 附录A 硕士期间发表的论文专利及软著 | 第78-80页 |
| 附录B 硕士期间参与项目 | 第80页 |
