基于主题矩阵分解模型的新闻推荐算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 0 引言 | 第11-18页 |
| 0.1 研究背景和研究意义 | 第11-13页 |
| 0.1.1 研究背景 | 第11-12页 |
| 0.1.2 研究意义 | 第12-13页 |
| 0.2 国内外研究现状 | 第13-15页 |
| 0.3 研究内容 | 第15-16页 |
| 0.4 论文组织结构 | 第16-18页 |
| 1 新闻推荐算法概述 | 第18-25页 |
| 1.1 推荐算法概述 | 第18页 |
| 1.2 推荐算法分类 | 第18-23页 |
| 1.2.1 基于内容的推荐 | 第19页 |
| 1.2.2 协同过滤推荐 | 第19-22页 |
| 1.2.3 基于知识的推荐 | 第22-23页 |
| 1.3 推荐系统在新闻领域应用与现状 | 第23-24页 |
| 1.3.1 面向新闻的个性化推荐 | 第23页 |
| 1.3.2 新闻推荐面临的挑战 | 第23-24页 |
| 1.4 本章小结 | 第24-25页 |
| 2 面向新用户的新闻推荐模型 | 第25-33页 |
| 2.1 引言 | 第25页 |
| 2.2 本章的研究动机 | 第25-26页 |
| 2.3 模型描述 | 第26-28页 |
| 2.4 模型结构 | 第28-29页 |
| 2.5 面向新用户的新闻推荐模型 | 第29-30页 |
| 2.6 实验结果与分析 | 第30-32页 |
| 2.6.1 实验设备和数据的选择 | 第30-31页 |
| 2.6.2 实验设置 | 第31页 |
| 2.6.3 实验与分析 | 第31-32页 |
| 2.7 本章小结 | 第32-33页 |
| 3 基于主题的实时用户兴趣模型 | 第33-46页 |
| 3.0 引言 | 第33页 |
| 3.1 本章的研究动机 | 第33-34页 |
| 3.2 模型表示 | 第34-35页 |
| 3.3 模型离线处理部分 | 第35-38页 |
| 3.3.1 相关描述 | 第35-36页 |
| 3.3.2 海量Web日志与用户识别 | 第36页 |
| 3.3.4 处理过程 | 第36-37页 |
| 3.3.5 离线处理流程图 | 第37-38页 |
| 3.4 模型实时计算部分 | 第38-42页 |
| 3.4.1 相关描述 | 第38-40页 |
| 3.4.2 处理过程 | 第40页 |
| 3.4.3 实时模型更新 | 第40-42页 |
| 3.5 模型生成与更新 | 第42-44页 |
| 3.5.1 web日志进行预处理 | 第42页 |
| 3.5.2 用户偏好主题获取 | 第42页 |
| 3.5.3 时间维度上的加权式混合 | 第42-43页 |
| 3.5.4 兴趣模型更新 | 第43-44页 |
| 3.6 实验结果与分析 | 第44-45页 |
| 3.6.1 实验设备和数据的选择 | 第44页 |
| 3.6.2 实验设置 | 第44页 |
| 3.6.3 实验与分析 | 第44-45页 |
| 3.7 本章小结 | 第45-46页 |
| 4 基于主题矩阵分解模型的推荐算法 | 第46-54页 |
| 4.1 引言 | 第46页 |
| 4.2 基于主题矩阵分解模型的推荐算法 | 第46-50页 |
| 4.2.1 数据筛选 | 第46-47页 |
| 4.2.2 新闻主题获取 | 第47-48页 |
| 4.2.3 用户行为实时获取及内在关联分析 | 第48页 |
| 4.2.4 新闻属性耦合度分析 | 第48页 |
| 4.2.5 主题矩阵分解 | 第48-50页 |
| 4.2.6 基于负反馈的补足策略 | 第50页 |
| 4.3 算法描述 | 第50-51页 |
| 4.4 实验与分析 | 第51-53页 |
| 4.4.1 实验数据的选择 | 第51页 |
| 4.4.2 实验设置 | 第51-52页 |
| 4.4.3 实验与分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 结语 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录（图、表和公式） | 第58-59页 |
| 读硕期间发表的论文目录 | 第59-60页 |
| 后记/致谢 | 第60-61页 |
