基于用户聚类的微博话题推荐方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 引言 | 第15-16页 |
| 第1章 绪论 | 第16-19页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 目前国内外研究现状 | 第17-18页 |
| 1.3 本文的组织结构和框架 | 第18-19页 |
| 第2章 相关基础知识概述 | 第19-30页 |
| 2.1 中文分词 | 第19-21页 |
| 2.1.1 中文分词简介及作用 | 第19页 |
| 2.1.2 中文分词算法 | 第19-20页 |
| 2.1.3 NLPIR中文分词系统 | 第20-21页 |
| 2.2 话题特征提取 | 第21-22页 |
| 2.2.1 话题特征提取简介 | 第21页 |
| 2.2.2 TF-IDF算法 | 第21页 |
| 2.2.3 话题特征提取最新进展 | 第21-22页 |
| 2.3 关联规则挖掘 | 第22-24页 |
| 2.3.1 关联规则挖掘的基本概念 | 第22页 |
| 2.3.2 Apriori算法 | 第22-24页 |
| 2.4 聚类分析 | 第24-27页 |
| 2.4.1 聚类综述 | 第24页 |
| 2.4.2 聚类中的距离 | 第24-25页 |
| 2.4.3 基于划分的聚类方法 | 第25-26页 |
| 2.4.4 聚类算法的评判标准 | 第26-27页 |
| 2.5 推荐系统 | 第27-30页 |
| 2.5.1 推荐算法综述 | 第27页 |
| 2.5.2 基于内容的推荐系统 | 第27页 |
| 2.5.3 协同过滤推荐算法 | 第27-28页 |
| 2.5.4 混合推荐 | 第28页 |
| 2.5.5 推荐系统的评价标准 | 第28-30页 |
| 第3章 微博用户数据源处理 | 第30-37页 |
| 3.1 PageRank算法 | 第30页 |
| 3.2 微博用户网络图 | 第30-31页 |
| 3.3 微博用户权威度 | 第31-34页 |
| 3.4 微博用户权威度的获取 | 第34-36页 |
| 3.4.1 微博用户权威度的获取流程 | 第34-35页 |
| 3.4.2 用户关系爬取 | 第35页 |
| 3.4.3 微博用户网络图的生成 | 第35-36页 |
| 3.4.4 微博用户权威度的生成 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 微博用户兴趣聚类 | 第37-49页 |
| 4.1 微博话题特征网络 | 第37-38页 |
| 4.2 用户微博特征网络 | 第38-40页 |
| 4.3 用户话题特征矩阵 | 第40-43页 |
| 4.3.1 用户话题特征矩阵的定义 | 第40-42页 |
| 4.3.2 用户话题特征矩阵的获取 | 第42-43页 |
| 4.4 微博用户兴趣聚类 | 第43-48页 |
| 4.4.1 问题描述 | 第43-44页 |
| 4.4.2 用户兴趣聚类 | 第44-45页 |
| 4.4.3 实验 | 第45-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 微博话题推荐算法 | 第49-63页 |
| 5.1 微博话题推荐算法的设计 | 第49-51页 |
| 5.1.1 微博话题热度 | 第49页 |
| 5.1.2 微博话题推荐指数 | 第49页 |
| 5.1.3 微博话题推荐算法 | 第49-51页 |
| 5.1.4 数据稀疏性问题 | 第51页 |
| 5.2 推荐系统的实现 | 第51-62页 |
| 5.2.1 微博数据的抓取 | 第51-54页 |
| 5.2.2 用户权威度的生成 | 第54-55页 |
| 5.2.3 微博话题特征网络图的生成 | 第55-56页 |
| 5.2.4 用户微博特征网络的生成 | 第56-57页 |
| 5.2.5 用户特征矩阵的生成 | 第57页 |
| 5.2.6 话题推荐 | 第57页 |
| 5.2.7 实验评价 | 第57-62页 |
| 5.3 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 附录 | 第69-70页 |
| 附录A 用户微博浏览纪录表 | 第69-70页 |
| 致谢 | 第70-71页 |
| 作者简介及读研期间主要科研成果 | 第71页 |
