基于个性化新闻推荐模型及算法的研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第10-15页 |
| 1.1 课题研究背景与意义 | 第10页 |
| 1.2 个性化新闻的发展及研究现状 | 第10-12页 |
| 1.3 研究内容与组织结构 | 第12-15页 |
| 1.3.1 文章的研究内容 | 第12-13页 |
| 1.3.2 文章的组织结构 | 第13-15页 |
| 第2章 相关技术研究 | 第15-27页 |
| 2.1 Web数据挖掘技术 | 第15-18页 |
| 2.1.1 数据挖掘概述 | 第15页 |
| 2.1.2 Web数据挖掘概述 | 第15-16页 |
| 2.1.3 Web数据挖掘的分类 | 第16-18页 |
| 2.2 新闻推荐系统 | 第18-19页 |
| 2.2.1 新闻推荐系统的概述 | 第18-19页 |
| 2.3 新闻推荐系统重要模块 | 第19-22页 |
| 2.3.1 新闻用户建模模块 | 第19-21页 |
| 2.3.2 推荐新闻建模模块 | 第21-22页 |
| 2.3.3 新闻推荐算法模块 | 第22页 |
| 2.4 文档-反文档（TF-IDF） | 第22-24页 |
| 2.5 相关聚类技术 | 第24-27页 |
| 2.5.1 层次聚类法 | 第25页 |
| 2.5.2 划分聚类法 | 第25-26页 |
| 2.5.3 模型聚类法 | 第26页 |
| 2.5.4 网格聚类法 | 第26页 |
| 2.5.5 密度聚类法 | 第26-27页 |
| 第3章 模型及算法的研究 | 第27-37页 |
| 3.1 趣模型的研究 | 第27-29页 |
| 3.1.1 数据收集 | 第27-28页 |
| 3.1.2 用户兴趣的表示方法 | 第28页 |
| 3.1.3 兴趣模型的更新 | 第28-29页 |
| 3.2 相关算法的研究 | 第29-37页 |
| 3.2.1 基于新闻内容的推荐 | 第29-32页 |
| 3.2.2 基于协同过滤的推荐 | 第32-35页 |
| 3.2.3 混合推荐 | 第35-37页 |
| 第4章 算法的提出与模型的建立 | 第37-52页 |
| 4.1 新闻文档关键字提取 | 第37-43页 |
| 4.1.1 词语语义距离计算 | 第37-38页 |
| 4.1.2 基于密度的聚类 | 第38-39页 |
| 4.1.3 确定文档关键词 | 第39-41页 |
| 4.1.4 文档相似性 | 第41-43页 |
| 4.2 基于内容和协同的二次聚类方法的提出 | 第43-44页 |
| 4.3 基于内容和协同的二次聚类算法的实现 | 第44-49页 |
| 4.4 用户模型的分析与建立 | 第49-52页 |
| 4.4.1 时间效应分析 | 第49页 |
| 4.4.2 模型的建立 | 第49-52页 |
| 第5章 实验结果与分析 | 第52-57页 |
| 5.1 环境搭建 | 第52页 |
| 5.2 数据集 | 第52页 |
| 5.3 评价指标 | 第52-54页 |
| 5.3.1 预测准确度 | 第52-53页 |
| 5.3.2 多样性 | 第53-54页 |
| 5.4 结果分析 | 第54-57页 |
| 5.4.1 准确度分析 | 第54-56页 |
| 5.4.2 多样性分析 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 论文总结 | 第57-58页 |
| 工作展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 攻读学位期间取得学术成果 | 第62页 |
