微博用户的兴趣发现与意图识别的研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 用户兴趣与用户意图相关研究 | 第10-12页 |
| 1.3 本文的研究工作 | 第12页 |
| 1.4 本文的组织结构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 相关理论与关键技术 | 第14-27页 |
| 2.1 文本表示 | 第14-15页 |
| 2.2 LDA主题模型 | 第15-19页 |
| 2.2.1 狄利克雷隐含分布 | 第15-16页 |
| 2.2.2 文本建模 | 第16-19页 |
| 2.3 文本分类算法 | 第19-25页 |
| 2.3.1 朴素贝叶斯分类算法 | 第19-22页 |
| 2.3.2 K近邻算法 | 第22-23页 |
| 2.3.3 SVM支持向量机分类算法 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 微博用户兴趣发现 | 第27-38页 |
| 3.1 用户兴趣发现框架 | 第28-29页 |
| 3.2 改进的基于LDA的特征拓展方法 | 第29-34页 |
| 3.2.1 传统主题相似性的特征拓展方法 | 第30-32页 |
| 3.2.2 改进的LDA特征拓展方法 | 第32-34页 |
| 3.3 基于主题相似度的多义词消歧方法 | 第34-36页 |
| 3.4 微博文本分类发现用户兴趣 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 实验与评估 | 第38-46页 |
| 4.1 实验环境 | 第38页 |
| 4.1.1 硬件环境 | 第38页 |
| 4.1.2 软件环境 | 第38页 |
| 4.2 数据来源 | 第38-40页 |
| 4.3 实验流程以及结果分析 | 第40-45页 |
| 4.3.1 K-NN分类兴趣发现实验 | 第41页 |
| 4.3.2 传统LDA特征拓展算法和改进方法比较 | 第41-44页 |
| 4.3.3 多义词消歧方法实验 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 微博用户意图识别与实现 | 第46-56页 |
| 5.1 用户意图定义 | 第46-47页 |
| 5.2 数据准备和筛选 | 第47-49页 |
| 5.3 意图微博分类方法 | 第49-53页 |
| 5.3.1 意图微博图 | 第49-51页 |
| 5.3.2 节点关系建模 | 第51-53页 |
| 5.4 实验与评估 | 第53-55页 |
| 5.4.1 实验设置 | 第53页 |
| 5.4.2 实验结果与分析 | 第53-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 已发表论文 | 第62页 |
