| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题背景及其意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文主要工作 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 相关技术概述 | 第16-29页 |
| 2.1 传统文本挖掘方法 | 第16-18页 |
| 2.1.1 TFIDF | 第16-17页 |
| 2.1.2 余弦相似度 | 第17页 |
| 2.1.3 JS散度 | 第17-18页 |
| 2.2 主题模型 | 第18-25页 |
| 2.2.1 LSI主题模型 | 第20-21页 |
| 2.2.2 PLSI主题模型 | 第21-22页 |
| 2.2.3 LDA主题模型 | 第22-23页 |
| 2.2.4 ATM主题模型 | 第23-25页 |
| 2.3 微博推荐算法概述 | 第25-28页 |
| 2.3.1 基于内容的推荐 | 第25页 |
| 2.3.2 基于协同过滤的推荐 | 第25-27页 |
| 2.3.3 混合技术推荐 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 企业微博用户兴趣建模 | 第29-39页 |
| 3.1 基于主题模型的企业微博用户行业兴趣建模 | 第29-30页 |
| 3.1.1 基于标准LDA的企业微博用户行业兴趣建模 | 第29-30页 |
| 3.1.2 基于ATM的企业微博用户行业兴趣建模 | 第30页 |
| 3.2 模型性能测试实验设计与结果分析 | 第30-36页 |
| 3.2.1 数据集 | 第30-32页 |
| 3.2.2 数据预处理 | 第32-34页 |
| 3.2.3 评价方法 | 第34页 |
| 3.2.4 实验结果分析 | 第34-36页 |
| 3.3 向量空间模型中企业微博用户行业兴趣建模 | 第36-38页 |
| 3.3.1 企业微博行业特征选择 | 第36-37页 |
| 3.3.2 向量空间模型中企业微博用户建模 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 针对企业微博用户的个性化信息推荐 | 第39-60页 |
| 4.1 企业微博用户推荐 | 第39-47页 |
| 4.1.1 企业微博用户相似度计算 | 第39-40页 |
| 4.1.2 评价方法 | 第40-41页 |
| 4.1.3 企业微博用户推荐方法 | 第41-44页 |
| 4.1.4 企业微博用户推荐实验 | 第44-47页 |
| 4.2 企业微博消息推荐 | 第47-58页 |
| 4.2.1 微博消息和微博用户的相似度计算 | 第48-49页 |
| 4.2.2 评价方法 | 第49-50页 |
| 4.2.3 企业微博消息推荐方法 | 第50-53页 |
| 4.2.4 企业微博消息推荐实验 | 第53-58页 |
| 4.3 本章小结 | 第58-60页 |
| 第五章 总结和展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录A 图索引 | 第66-67页 |
| Appendix A Figure Index | 第67-68页 |
| 附录B 表索引 | 第68-69页 |
| Appendix B Table Index | 第69-70页 |
| 致谢 | 第70页 |