| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及存在的问题 | 第11-13页 |
| 1.2.1 国内外研究现状 | 第11-12页 |
| 1.2.2 存在的问题 | 第12-13页 |
| 1.3 本文研究工作 | 第13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第二章 个性化新闻推荐相关技术研究 | 第15-27页 |
| 2.1 个性化推荐技术 | 第15-19页 |
| 2.1.1 基于内容过滤的推荐 | 第15-16页 |
| 2.1.2 基于协同过滤技术的推荐 | 第16-18页 |
| 2.1.3 混合的个性化推荐 | 第18-19页 |
| 2.2 聚类算法 | 第19-23页 |
| 2.2.1 基于划分的聚类 | 第19-21页 |
| 2.2.2 基于层次的聚类 | 第21-22页 |
| 2.2.3 基于密度的聚类 | 第22页 |
| 2.2.4 基于网格的聚类 | 第22页 |
| 2.2.5 聚类算法对比 | 第22-23页 |
| 2.3 文本分类算法 | 第23-26页 |
| 2.3.1 K近邻分类 | 第23-24页 |
| 2.3.2 朴素贝叶斯分类 | 第24-25页 |
| 2.3.3 支持向量机分类 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于聚类算法的个性化新闻推荐技术研究 | 第27-40页 |
| 3.1 基于聚类算法的个性化新闻推荐模型 | 第27-28页 |
| 3.2 新闻分类 | 第28-31页 |
| 3.3 用户兴趣分析 | 第31-33页 |
| 3.3.1 用户行为分析 | 第31-32页 |
| 3.3.2 用户特征提取 | 第32-33页 |
| 3.4 用户聚类 | 第33-37页 |
| 3.4.1 使用模糊C均值算法对用户进行聚类 | 第33-34页 |
| 3.4.2 用户兴趣矩阵填充 | 第34-37页 |
| 3.5 推荐结果生成 | 第37-39页 |
| 3.5.1 用户相似度计算方法 | 第37-38页 |
| 3.5.2 新闻推荐列表生成 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于聚类算法的个性化新闻推荐系统设计与实现 | 第40-52页 |
| 4.1 个性化新闻推荐系统的总体设计 | 第40-41页 |
| 4.2 个性化新闻推荐系统模块设计 | 第41-42页 |
| 4.3 数据库设计 | 第42-45页 |
| 4.3.1 MySQL数据库设计 | 第42-44页 |
| 4.3.2 Redis数据库设计 | 第44-45页 |
| 4.4 个性化新闻推荐系统的详细设计与实现 | 第45-51页 |
| 4.4.1 新闻预处理模块 | 第45-47页 |
| 4.4.2 用户兴趣模块 | 第47-48页 |
| 4.4.3 用户聚类模块 | 第48-49页 |
| 4.4.4 新闻推荐模块 | 第49-50页 |
| 4.4.5 新闻展示模块 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 基于聚类算法的个性化新闻推荐系统评测 | 第52-61页 |
| 5.1 评测目标 | 第52页 |
| 5.2 评测环境 | 第52-53页 |
| 5.3 功能评测 | 第53-55页 |
| 5.3.1 用户兴趣模型建立功能测试 | 第53页 |
| 5.3.2 用户聚类功能测试 | 第53-54页 |
| 5.3.3 个性化新闻推荐功能测试 | 第54页 |
| 5.3.4 个性化新闻展示功能测试 | 第54-55页 |
| 5.4 性能评测 | 第55-59页 |
| 5.4.1 性能评测指标 | 第55-56页 |
| 5.4.2 实验设计以及结果分析 | 第56-59页 |
| 5.5 本章小结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 下一步的研究工作 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间发表的学术论文 | 第67页 |