| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1. 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 课题来源 | 第11-12页 |
| 1.3 新闻推荐系统研究现状 | 第12-14页 |
| 1.3.1 协同过滤 | 第12-13页 |
| 1.3.2 基于内容推荐 | 第13页 |
| 1.3.3 混合推荐 | 第13-14页 |
| 1.4 本文研究工作及创新点 | 第14-15页 |
| 1.4.1 主要研究工作 | 第14-15页 |
| 1.4.2 本文创新点 | 第15页 |
| 1.5 论文结构 | 第15-17页 |
| 2. 新闻推荐系统的运行平台 | 第17-32页 |
| 2.1 系统整体架构 | 第17-19页 |
| 2.2 应用服务器 | 第19-21页 |
| 2.2.1 web系统 | 第19-20页 |
| 2.2.2 缓存系统 | 第20-21页 |
| 2.3 新闻数据来源及去重 | 第21-26页 |
| 2.3.1 基于Bloom Filter的URL去重算法 | 第22-24页 |
| 2.3.2 基于Simhash的新闻内容去重算法 | 第24-26页 |
| 2.4 数据库储存 | 第26页 |
| 2.5 HADOOP集群搭建和数据传输 | 第26-31页 |
| 2.5.1 Hadoop集群搭建 | 第28-30页 |
| 2.5.2 数据传输 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 3. 个性化新闻推荐算法的研究与改进 | 第32-54页 |
| 3.1 新闻推荐算法所面临的问题 | 第32-33页 |
| 3.2 新闻主题模型的建立 | 第33-37页 |
| 3.2.1 新闻类别分析 | 第34页 |
| 3.2.2 TD-IDF | 第34-35页 |
| 3.2.3 LDA | 第35-37页 |
| 3.3 改进的自适应时间衰减系数的热点新闻推荐 | 第37-43页 |
| 3.3.1 热点推荐算法分析 | 第37-38页 |
| 3.3.2 常规热点推荐算法的实现 | 第38-39页 |
| 3.3.3 自适应时间衰减系数 | 第39-42页 |
| 3.3.4 潜在热点分析 | 第42-43页 |
| 3.4 相关新闻推荐 | 第43-44页 |
| 3.5 一种改进的自修正用户模型的基于用户推荐算法 | 第44-51页 |
| 3.5.1 用户主题偏好矩阵 | 第45-46页 |
| 3.5.2 近邻用户识别 | 第46-48页 |
| 3.5.3 推荐结果生成 | 第48-49页 |
| 3.5.4 用户模型自修正 | 第49-51页 |
| 3.6 用户潜在兴趣挖掘与个性化推荐 | 第51-52页 |
| 3.7 本章小结 | 第52-54页 |
| 4. 推荐系统的运行与测试 | 第54-68页 |
| 4.1 推荐系统各个子系统的运行 | 第54-57页 |
| 4.1.1 应用服务器 | 第54-55页 |
| 4.1.2 新闻爬虫 | 第55页 |
| 4.1.3 数据储存 | 第55-56页 |
| 4.1.4 Hadoop集群 | 第56-57页 |
| 4.2 推荐系统各个算法的运行 | 第57-59页 |
| 4.3 热点新闻推荐测试分析 | 第59-63页 |
| 4.3.1 当天热点捕捉率 | 第59-60页 |
| 4.3.2 热点衰退速度 | 第60-62页 |
| 4.3.3 热点新闻更替 | 第62-63页 |
| 4.4 基于用户推荐测试分析 | 第63-67页 |
| 4.4.1 修正用户模型算法 | 第64页 |
| 4.4.2 Precision-Recall曲线 | 第64-67页 |
| 4.5 本章小结 | 第67-68页 |
| 5. 总结与展望 | 第68-70页 |
| 5.1 本文主要内容 | 第68-69页 |
| 5.2 未来展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 个人简介、在校期间发表的学术论文与研究成果 | 第73-74页 |
| 致谢 | 第74页 |