基于本体的新闻推荐方法研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 推荐系统现状 | 第12-13页 |
| 1.2.2 本体研究现状 | 第13-14页 |
| 1.2.3 基于本体的推荐研究现状 | 第14页 |
| 1.3 本文结构和工作 | 第14-16页 |
| 第2章 本体与相关技术 | 第16-28页 |
| 2.0 本体概述 | 第16页 |
| 2.1 本体的分类 | 第16-18页 |
| 2.2 本体的构成要素 | 第18-19页 |
| 2.3 本体的创建准则 | 第19-20页 |
| 2.4 本体语言 | 第20-23页 |
| 2.4.1 基于框架模型的本体语言 | 第20-21页 |
| 2.4.2 基于谓词逻辑的本体语言 | 第21-22页 |
| 2.4.3 基于Web的本体表示语言 | 第22-23页 |
| 2.5 OWL和相关技术 | 第23-27页 |
| 2.5.1 RDF概念 | 第23-24页 |
| 2.5.2 OWL的基本语法 | 第24-25页 |
| 2.5.3 Protege介绍 | 第25-26页 |
| 2.5.4 Jena介绍 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于本体的新闻推荐方法 | 第28-41页 |
| 3.1 推荐方法概述 | 第28页 |
| 3.2 几种常用的推荐算法 | 第28-33页 |
| 3.2.1 协同过滤方法 | 第28-31页 |
| 3.2.2 基于内容的推荐 | 第31-32页 |
| 3.2.3 基于关联规则的推荐 | 第32-33页 |
| 3.2.4 混合推荐方法 | 第33页 |
| 3.3 基于本体的新闻推荐模型 | 第33-39页 |
| 3.3.1 用户模型 | 第34-35页 |
| 3.3.2 新闻模型 | 第35-36页 |
| 3.3.3 用户兴趣模型 | 第36页 |
| 3.3.4 推荐算法 | 第36-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 基于本体的新闻推荐系统实现 | 第41-53页 |
| 4.1 系统架构 | 第41-42页 |
| 4.2 系统主要功能模块 | 第42-52页 |
| 4.2.1 本体管理 | 第43-49页 |
| 4.2.2 数据分析 | 第49-50页 |
| 4.2.3 新闻推荐 | 第50-51页 |
| 4.2.4 新闻过滤 | 第51页 |
| 4.2.5 新闻呈现 | 第51-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第5章 基于本体的新闻推荐系统结果评估 | 第53-57页 |
| 5.1 常用数据集 | 第53-54页 |
| 5.1.1 EachMovie | 第53页 |
| 5.1.2 Moviel ens | 第53页 |
| 5.1.3 BookCrossing | 第53-54页 |
| 5.2 评价指标 | 第54-55页 |
| 5.2.1 预测准确度 | 第54页 |
| 5.2.2 分类准确度 | 第54-55页 |
| 5.3 测试数据与结果 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-58页 |
| (1) 基于本体的推荐系统通用化和模型化 | 第57页 |
| (2) 基于本体的推荐系统本体的描述精细化 | 第57页 |
| (3) 针对目前推荐算法的优化 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63页 |
