| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题的研究背景与意义 | 第9-10页 |
| 1.2 国内外的研究现状 | 第10-14页 |
| 1.2.1 微博的研究 | 第10-11页 |
| 1.2.2 基于微博的用户兴趣建模 | 第11-12页 |
| 1.2.3 个性化推荐 | 第12-14页 |
| 1.3 本文的研究内容和方法 | 第14-15页 |
| 1.4 论文的结构安排 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 关键技术及概念 | 第16-20页 |
| 2.1 微博 | 第16页 |
| 2.2 新闻文本分类 | 第16-19页 |
| 2.2.1 支持向量机 | 第16-18页 |
| 2.2.2 朴素贝叶斯 | 第18页 |
| 2.2.3 分类器的组合 | 第18-19页 |
| 2.3 新闻智能摘要 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 3 基于微博的用户兴趣分析和个性化新闻推荐算法研究 | 第20-35页 |
| 3.1 推荐系统概述 | 第20-21页 |
| 3.2 基于内容的推荐算法 | 第21-22页 |
| 3.3 用户兴趣的构建 | 第22-29页 |
| 3.3.1 微博扩充 | 第22页 |
| 3.3.2 基于LDA模型抽取用户兴趣 | 第22-24页 |
| 3.3.3 基于词向量抽取用户兴趣 | 第24-29页 |
| 3.4 基于内容的个性化新闻推荐 | 第29-30页 |
| 3.4.1 基于LDA模型的个性化新闻推荐 | 第29-30页 |
| 3.4.2 基于词向量模型的个性化新闻推荐 | 第30页 |
| 3.5 基于张量分解的个性化新闻推荐 | 第30-34页 |
| 3.5.1 张量与张量分解 | 第30-32页 |
| 3.5.2 计算CP分解 | 第32页 |
| 3.5.3 链路预测推荐算法 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 4 实验效果评估与结果分析 | 第35-49页 |
| 4.1 新闻文本分类 | 第35-37页 |
| 4.1.1 实验设计 | 第35页 |
| 4.1.2 实验结果及分析 | 第35-37页 |
| 4.2 新闻智能摘要 | 第37-40页 |
| 4.2.1 实验设计 | 第37-38页 |
| 4.2.2 实验结果及分析 | 第38-40页 |
| 4.3 主题模型的构建 | 第40-41页 |
| 4.3.1 实验设计 | 第40页 |
| 4.3.2 实验结果及分析 | 第40-41页 |
| 4.4 词向量的构建 | 第41-42页 |
| 4.4.1 实验设计 | 第41页 |
| 4.4.2 实验结果及分析 | 第41-42页 |
| 4.5 基于内容的个性化新闻推荐 | 第42-45页 |
| 4.5.1 实验设计 | 第42页 |
| 4.5.2 基于关键词的推荐算法 | 第42-43页 |
| 4.5.3 实验结果及分析 | 第43-45页 |
| 4.6 基于张量分解的个性化新闻推荐 | 第45-48页 |
| 4.6.1 实验设计 | 第45页 |
| 4.6.2 基准方法 | 第45-46页 |
| 4.6.3 数据集 | 第46-47页 |
| 4.6.4 实验结果及分析 | 第47-48页 |
| 4.7 本章小结 | 第48-49页 |
| 5 基于微博的个性化新闻推荐系统的设计与实现 | 第49-54页 |
| 5.1 系统简介 | 第49页 |
| 5.2 系统架构 | 第49-53页 |
| 5.2.1 微博获取,扩充模块 | 第51-52页 |
| 5.2.2 新闻抓取模块 | 第52页 |
| 5.2.3 词向量模块 | 第52-53页 |
| 5.2.4 个性化推荐模块 | 第53页 |
| 5.3 系统实现 | 第53页 |
| 5.4 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表学术论文情况 | 第59-60页 |
| 致谢 | 第60-61页 |