结合情感倾向分析的个性化推荐技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究和发展现状 | 第10-11页 |
| 1.3 课题研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-15页 |
| 第2章 推荐系统相关算法介绍 | 第15-25页 |
| 2.1 协同过滤推荐算法 | 第15-17页 |
| 2.1.1 基于内存的协同过滤算法 | 第16-17页 |
| 2.1.2 基于模型的协同过滤算法 | 第17页 |
| 2.2 文本特征选择算法 | 第17-19页 |
| 2.2.1 基于文档频率 | 第17-18页 |
| 2.2.2 信息增益 | 第18页 |
| 2.2.3 互信息 | 第18-19页 |
| 2.2.4 卡方统计法 | 第19页 |
| 2.3 聚类算法 | 第19-23页 |
| 2.3.1 Chameleon聚类 | 第20页 |
| 2.3.2 K平均算法 | 第20-21页 |
| 2.3.3 DBSCAN算法 | 第21-22页 |
| 2.3.4 SOM算法 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第3章 结合文本情感分析的推荐 | 第25-35页 |
| 3.1 对协同过滤推荐的改进 | 第25-27页 |
| 3.1.1 基于时间加权的协同过滤改进 | 第25-26页 |
| 3.1.2 基于项目类别相似性的协同过滤改进 | 第26页 |
| 3.1.3 基于聚类的协同过滤改进 | 第26-27页 |
| 3.2 文本情感分析的研究 | 第27-29页 |
| 3.2.1 文本主客观性判别 | 第27-28页 |
| 3.2.2 文本情感极性分析 | 第28页 |
| 3.2.3 主观文本极性强度分析 | 第28-29页 |
| 3.3 结合情感分析的改进算法 | 第29-33页 |
| 3.3.1 预处理 | 第30页 |
| 3.3.2 用户情感建模 | 第30-31页 |
| 3.3.3 项目建模算法 | 第31页 |
| 3.3.4 改进的推荐算法描述 | 第31-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第4章 结合情感分析的推荐系统的设计与实现 | 第35-45页 |
| 4.1 系统整体设计 | 第35-36页 |
| 4.2 信息采集模块的实现 | 第36-37页 |
| 4.2.1 选择数据源 | 第36-37页 |
| 4.2.2 创建原始数据库 | 第37页 |
| 4.3 情感分析模块的设计与实现 | 第37-39页 |
| 4.3.1 相关的概念 | 第37-38页 |
| 4.3.2 情感词典的构建 | 第38页 |
| 4.3.3 情感分析模块工作流程 | 第38-39页 |
| 4.4 用户建模模块的设计与实现 | 第39-41页 |
| 4.4.1 用户建模的方式 | 第39-40页 |
| 4.4.2 用户模型的表示 | 第40页 |
| 4.4.3 用户建模模块工作流程 | 第40-41页 |
| 4.5 对象建模模块的设计与实现 | 第41-42页 |
| 4.5.1 对象建模的方法 | 第41页 |
| 4.5.2 对象建模模块工作流程 | 第41-42页 |
| 4.6 推荐算法模块的设计与实现 | 第42-43页 |
| 4.7 本章小结 | 第43-45页 |
| 第5章 实验结果与分析 | 第45-51页 |
| 5.1 实验环境 | 第45页 |
| 5.2 实验评价指标 | 第45-46页 |
| 5.3 实验设计 | 第46-48页 |
| 5.4 本章小结 | 第48-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间获得的科研成果 | 第57-59页 |
| 致谢 | 第59-60页 |
