基于主题抽取演化模型的实时新闻推荐系统
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.2.1 新闻主题抽取演化模型 | 第14-15页 |
| 1.2.2 实时推荐系统 | 第15页 |
| 1.3 本文所做工作 | 第15-16页 |
| 1.4 论文章节安排 | 第16-18页 |
| 第二章 相关概念 | 第18-32页 |
| 2.1 新闻文本处理 | 第18-21页 |
| 2.1.1 主题抽取模型 | 第18-19页 |
| 2.1.2 新闻索引 | 第19-21页 |
| 2.2 实时系统 | 第21-26页 |
| 2.2.1 Storm实时系统 | 第22-23页 |
| 2.2.2 Spark实时系统 | 第23-26页 |
| 2.3 用户画像 | 第26-29页 |
| 2.3.1 用户画像概念 | 第26-27页 |
| 2.3.2 构建用户画像 | 第27-29页 |
| 2.4 推荐系统 | 第29-32页 |
| 2.4.1 推荐算法 | 第29-30页 |
| 2.4.2 向量相似度 | 第30-32页 |
| 第三章 面向新闻推荐的主题演化算法 | 第32-44页 |
| 3.1 主题演化算法 | 第32-38页 |
| 3.1.1 LDA主题抽取算法 | 第32-36页 |
| 3.1.2 新闻主题动态演化算法 | 第36-37页 |
| 3.1.3 主题动态抽取注意事项 | 第37-38页 |
| 3.2 SOLR管理新闻索引 | 第38-41页 |
| 3.2.1 solr管理索引 | 第38-39页 |
| 3.2.2 solrcloud | 第39-40页 |
| 3.2.3 zookeeper管理集群 | 第40页 |
| 3.2.4 基于SolrCloud的新闻文本处理 | 第40-41页 |
| 3.3 实验分析 | 第41-43页 |
| 3.3.1 集群性能指标测试实验 | 第41-42页 |
| 3.3.2 新闻主题抽取实验 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于UP-ALS的协同推荐算法 | 第44-53页 |
| 4.1 最小二乘法 | 第44-45页 |
| 4.1.1 RMSE | 第44页 |
| 4.1.2 最小二乘法 | 第44-45页 |
| 4.2 SPARK实现非负最小二乘法 | 第45-48页 |
| 4.3 UP-ALS协同推荐算法 | 第48-50页 |
| 4.3.1 ALS算法 | 第48-50页 |
| 4.3.2 UP-ALS算法 | 第50页 |
| 4.4 实验分析 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 实时新闻精准推荐系统 | 第53-59页 |
| 5.1 系统总体架构图 | 第53-54页 |
| 5.2 新闻精准推荐实时处理系统 | 第54-56页 |
| 5.2.1 新闻热度 | 第54-55页 |
| 5.2.2 实时推荐 | 第55-56页 |
| 5.3 新闻精准推荐系统实现 | 第56-59页 |
| 总结和展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间发表的学术论文 | 第64-66页 |
| 致谢 | 第66页 |
