| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第15-30页 |
| 1.1 课题背景及意义 | 第15-17页 |
| 1.1.1 课题背景 | 第15-16页 |
| 1.1.2 课题意义 | 第16-17页 |
| 1.2 研究现状分析 | 第17-27页 |
| 1.2.1 社会媒体信息建模 | 第18-22页 |
| 1.2.2 社会媒体用户兴趣建模 | 第22-24页 |
| 1.2.3 社会媒体推荐算法 | 第24-27页 |
| 1.3 本文的主要研究内容及章节安排 | 第27-30页 |
| 第2章 基于主题注意力机制的微博标签获取 | 第30-49页 |
| 2.1 引言 | 第30-32页 |
| 2.2 微博的词语表示学习 | 第32-34页 |
| 2.3 基于长短时记忆网络的微博文本表示学习 | 第34-42页 |
| 2.3.1 基于标准长短时记忆网络的微博文本表示学习 | 第35-37页 |
| 2.3.2 融合注意力机制的微博文本表示学习 | 第37-38页 |
| 2.3.3 融合主题注意力机制的微博文本表示学习 | 第38-42页 |
| 2.4 微博标签获取 | 第42-43页 |
| 2.5 实验及分析 | 第43-48页 |
| 2.5.1 实验数据 | 第43页 |
| 2.5.2 基线方法 | 第43-44页 |
| 2.5.3 实验设置 | 第44页 |
| 2.5.4 评价方法 | 第44-45页 |
| 2.5.5 实验分析 | 第45-48页 |
| 2.6 本章小结 | 第48-49页 |
| 第3章 基于影响因素相似度的微博流行度预测 | 第49-64页 |
| 3.1 引言 | 第49-51页 |
| 3.2 微博流行度影响因素 | 第51-54页 |
| 3.2.1 发布者个人影响力 | 第51-52页 |
| 3.2.2 微博内容 | 第52-53页 |
| 3.2.3 微博发布时间 | 第53-54页 |
| 3.3 基于影响因素相似度的微博流行度预测 | 第54-58页 |
| 3.3.1 微博内容相似度计算 | 第55页 |
| 3.3.2 微博时间相似度计算 | 第55-56页 |
| 3.3.3 相似候选微博抽取 | 第56-58页 |
| 3.4 基于多特征分类的微博流行度预测 | 第58-59页 |
| 3.5 实验及分析 | 第59-63页 |
| 3.5.1 实验数据 | 第59-60页 |
| 3.5.2 基线方法 | 第60-61页 |
| 3.5.3 实验设置 | 第61页 |
| 3.5.4 实验分析 | 第61-63页 |
| 3.6 本章小结 | 第63-64页 |
| 第4章 基于有监督主题模型的用户兴趣建模 | 第64-81页 |
| 4.1 引言 | 第64-65页 |
| 4.2 用户消费兴趣数据集构建 | 第65-66页 |
| 4.3 基于有监督主题模型的用户消费兴趣建模 | 第66-74页 |
| 4.3.1 基于Labeled LDA模型的用户消费兴趣建模 | 第68-71页 |
| 4.3.2 基于权重Labeled LDA模型的用户消费兴趣建模 | 第71-74页 |
| 4.4 实验及分析 | 第74-79页 |
| 4.4.1 基线方法 | 第74-75页 |
| 4.4.2 实验设置 | 第75-76页 |
| 4.4.3 评价方法 | 第76页 |
| 4.4.4 实验分析 | 第76-79页 |
| 4.5 本章小结 | 第79-81页 |
| 第5章 融合多元信息的微话题推荐 | 第81-103页 |
| 5.1 引言 | 第81-82页 |
| 5.2 融合用户与信息特征的微话题推荐模型 | 第82-91页 |
| 5.2.1 用户兴趣建模 | 第84-86页 |
| 5.2.2 微话题建模 | 第86-87页 |
| 5.2.3 微话题推荐 | 第87-91页 |
| 5.3 实验及分析 | 第91-101页 |
| 5.3.1 实验数据 | 第91-92页 |
| 5.3.2 基线方法 | 第92页 |
| 5.3.3 实验设置 | 第92-93页 |
| 5.3.4 评价方法 | 第93-94页 |
| 5.3.5 实验分析 | 第94-101页 |
| 5.4 本章小结 | 第101-103页 |
| 结论 | 第103-105页 |
| 参考文献 | 第105-122页 |
| 攻读博士学位期间发表的论文及其他成果 | 第122-124页 |
| 致谢 | 第124-126页 |
| 个人简历 | 第126-127页 |
