| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究目的和意义 | 第9-11页 |
| 1.1.1 课题背景 | 第9-10页 |
| 1.1.2 课题研究的目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文的研究内容及章节安排 | 第14-17页 |
| 1.3.1 本文的研究内容 | 第14-15页 |
| 1.3.2 本文的章节安排 | 第15-17页 |
| 第2章 基于主题模型的用户兴趣识别 | 第17-27页 |
| 2.1 引言 | 第17页 |
| 2.2 Labeled LDA主题模型 | 第17-19页 |
| 2.2.1 主题生成过程 | 第17-19页 |
| 2.2.2 学习和预测 | 第19页 |
| 2.3 基于Labeled LDA主题模型的用户兴趣识别 | 第19-24页 |
| 2.3.1 兴趣类别体系 | 第19-20页 |
| 2.3.2 实验数据 | 第20-21页 |
| 2.3.3 训练阶段 | 第21-22页 |
| 2.3.4 预测阶段 | 第22-23页 |
| 2.3.5 用户兴趣的获取 | 第23-24页 |
| 2.4 实验结果及分析 | 第24-26页 |
| 2.4.1 评价标准 | 第24页 |
| 2.4.2 实验结果 | 第24-25页 |
| 2.4.3 实验结果分析 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于微博分类的用户兴趣识别 | 第27-42页 |
| 3.1 引言 | 第27页 |
| 3.2 支持向量机 | 第27-32页 |
| 3.2.1 支持向量机简介 | 第27-28页 |
| 3.2.2 线性支持向量机 | 第28-30页 |
| 3.2.3 多元分类SVM | 第30-32页 |
| 3.3 卷积神经网络 | 第32-34页 |
| 3.3.1 卷积神经网络简介 | 第32页 |
| 3.3.2 构件 | 第32-34页 |
| 3.4 实验方法与数据 | 第34-36页 |
| 3.4.1 实验方法 | 第34-36页 |
| 3.4.2 实验数据 | 第36页 |
| 3.5 实验结果及分析 | 第36-40页 |
| 3.5.1 实验评价指标 | 第36-37页 |
| 3.5.2 微博分类实验结果 | 第37-38页 |
| 3.5.3 实例分析 | 第38-39页 |
| 3.5.4 用户兴趣识别实验结果 | 第39-40页 |
| 3.5.5 实验结果分析 | 第40页 |
| 3.6 本章小结 | 第40-42页 |
| 第4章 基于主题增强卷积神经网络的用户兴趣识别 | 第42-53页 |
| 4.1 引言 | 第42页 |
| 4.2 模型结构 | 第42-44页 |
| 4.3 实验方法与数据 | 第44-45页 |
| 4.3.1 实验方法 | 第44-45页 |
| 4.3.2 实验数据 | 第45页 |
| 4.4 实验结果与分析 | 第45-52页 |
| 4.4.1 实验评价指标 | 第45页 |
| 4.4.2 微博分类实验结果 | 第45-46页 |
| 4.4.3 实例分析 | 第46-49页 |
| 4.4.4 用户兴趣识别实验结果 | 第49-51页 |
| 4.4.5 实验结果分析 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 聊天机器人笨笨的新闻推荐模块 | 第53-61页 |
| 5.1 引言 | 第53页 |
| 5.2 动机 | 第53-54页 |
| 5.3 个性化新闻推荐 | 第54-55页 |
| 5.4 新闻推荐模块的处理流程 | 第55-60页 |
| 5.5 新闻推荐模块的效果 | 第60页 |
| 5.6 本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67页 |