| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-13页 |
| 1 绪论 | 第13-29页 |
| ·研究背景及意义 | 第13-15页 |
| ·研究背景 | 第13-14页 |
| ·研究意义 | 第14-15页 |
| ·主要研究方法和研究现状 | 第15-26页 |
| ·互联网信息的检索方法 | 第15-20页 |
| ·个性化推荐方法 | 第20-24页 |
| ·互联网社团挖掘方法 | 第24-26页 |
| ·本文的主要研究内容及创新点 | 第26-28页 |
| ·本文的组织结构 | 第28-29页 |
| 2 网络热点事件发现算法 | 第29-51页 |
| ·引言 | 第29-30页 |
| ·中文网页的定向采集技术 | 第30-36页 |
| ·网页的爬取方法 | 第30-32页 |
| ·中文网页的定向采集 | 第32-36页 |
| ·文本聚类的方法 | 第36-41页 |
| ·文本聚类的现状与难点 | 第36-38页 |
| ·几种常见的文本聚类算法 | 第38-41页 |
| ·一种基于PDBMLCA聚类方法的网络热点事件发现算法 | 第41-49页 |
| ·文本中词语的表示方法 | 第41-44页 |
| ·热点事件的聚类算法 | 第44-46页 |
| ·实验结果 | 第46-49页 |
| ·本章小结 | 第49-51页 |
| 3 网络文本的自动摘要生成算法 | 第51-71页 |
| ·文本摘要概述 | 第51-53页 |
| ·基于用户评价信息的文本自动摘要算法 | 第53-61页 |
| ·基于HITS算法的句子权重分析 | 第56-60页 |
| ·实验结果与评测 | 第60-61页 |
| ·多文本的自动摘要技术 | 第61-69页 |
| ·多文本的自动摘要分析 | 第61-62页 |
| ·相似度的计算 | 第62-64页 |
| ·摘要主题的确定 | 第64-67页 |
| ·实验结果 | 第67-69页 |
| ·本章小结 | 第69-71页 |
| 4 基于协同过滤的信息推荐算法 | 第71-91页 |
| ·互联网信息推荐算法现状 | 第71-78页 |
| ·推荐系统以及相关技术 | 第71-74页 |
| ·协同过滤技术 | 第74-76页 |
| ·协同过滤算法目前存在的问题 | 第76-78页 |
| ·改进的协同过滤算法对信息推荐的影响 | 第78-87页 |
| ·算法描述 | 第78-82页 |
| ·算法的有效性验证 | 第82-87页 |
| ·基于改进的协同过滤算法在微博推荐中的应用 | 第87-89页 |
| ·微博数据集特点 | 第87-88页 |
| ·实验结果 | 第88-89页 |
| ·本章小结 | 第89-91页 |
| 5 基于社团结构的推荐算法 | 第91-115页 |
| ·社团结构概述 | 第91-94页 |
| ·基于连接关系的推荐算法 | 第94-99页 |
| ·基于连接的热传导推荐算法 | 第94-97页 |
| ·基于网络关系的概率传递推荐算法 | 第97-99页 |
| ·基于网络中社团关系的推荐算法 | 第99-115页 |
| ·改进的用户相似度公式 | 第99-102页 |
| ·社团的形成过程 | 第102-105页 |
| ·实验结果 | 第105-112页 |
| ·本章小结 | 第112-115页 |
| 6 结论 | 第115-119页 |
| ·论文总结 | 第115-116页 |
| ·研究工作展望 | 第116-119页 |
| 参考文献 | 第119-127页 |
| 作者简历及攻读博士学位期间取得的研究成果 | 第127-131页 |
| 学位论文数据集 | 第131页 |