基于数据挖掘技术的微博好友推荐机制的研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题研究背景及研究问题的提出 | 第11-12页 |
| 1.2 微博简介 | 第12-16页 |
| 1.2.1 微博的相关概念 | 第12-14页 |
| 1.2.2 微博的特点 | 第14页 |
| 1.2.3 微博的发展 | 第14-16页 |
| 1.3 国内外研究现状 | 第16-18页 |
| 1.3.1 国内外网络推荐算法研究现状 | 第16-17页 |
| 1.3.2 国内外好友推荐算法的研究现状 | 第17-18页 |
| 1.4 本课题的主要工作 | 第18页 |
| 1.5 论文的组织结构 | 第18-21页 |
| 第2章 相关理论与技术概述 | 第21-29页 |
| 2.1 标签系统 | 第21-24页 |
| 2.1.1 标签系统简介 | 第21-22页 |
| 2.1.2 基于标签系统的好友推荐流程 | 第22-24页 |
| 2.2 聚类分析技术 | 第24-25页 |
| 2.2.1 聚类分析技术分类 | 第24页 |
| 2.2.2 层次聚类典型算法 | 第24-25页 |
| 2.3 协同过滤推荐技术概述 | 第25-27页 |
| 2.3.1 收集用户标识信息 | 第25-26页 |
| 2.3.2 生成近似的邻居 | 第26页 |
| 2.3.3 为目标用户生成推荐项目 | 第26-27页 |
| 2.4 向量空间模型 | 第27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 微博好友推荐模型的构建 | 第29-39页 |
| 3.1 微博好友推荐分析 | 第29-36页 |
| 3.1.1 微博对象相关概念 | 第29-31页 |
| 3.1.2 个性化好友推荐的基本思想 | 第31-33页 |
| 3.1.3 个性化好友推荐相关定义 | 第33-36页 |
| 3.2 微博好友推荐模型及其构建过程 | 第36-38页 |
| 3.2.1 用户数据预处理 | 第37页 |
| 3.2.2 好友推荐得分计算步骤 | 第37-38页 |
| 3.2.3 微博好友推荐 | 第38页 |
| 3.3 本章小结 | 第38-39页 |
| 第4章 微博好友推荐算法的实现 | 第39-51页 |
| 4.1 用户候选好友集合生成 | 第39-41页 |
| 4.2 用户个性化标签相似度计算 | 第41-46页 |
| 4.2.1 用户标签预处理 | 第43-44页 |
| 4.2.2 用户标签聚类 | 第44-45页 |
| 4.2.3 用户标签相似度计算 | 第45-46页 |
| 4.3 用户位置信息相似度计算 | 第46-49页 |
| 4.3.1 用户所在地相似度计算 | 第47-48页 |
| 4.3.2 用户最近签到信息相似度计算 | 第48页 |
| 4.3.3 用户位置相似度计算模型 | 第48-49页 |
| 4.4 用户所关注的热门话题相似度计算 | 第49-50页 |
| 4.4.1 热门话题提取 | 第49页 |
| 4.4.2 相似度计算 | 第49-50页 |
| 4.5 好友推荐得分计算 | 第50页 |
| 4.6 本章小结 | 第50-51页 |
| 第5章 实验结果与分析 | 第51-67页 |
| 5.1 实验环境 | 第51页 |
| 5.2 实验数据集 | 第51-57页 |
| 5.2.1 实验数据集来源 | 第51-52页 |
| 5.2.2 实验数据集特征 | 第52-57页 |
| 5.3 实验评价指标 | 第57-58页 |
| 5.3.1 Precision(准确率) | 第57页 |
| 5.3.2 Recall(召回率) | 第57页 |
| 5.3.3 F值(F-Measure) | 第57-58页 |
| 5.4 实验结果和分析 | 第58-65页 |
| 5.4.1 权重参数选择实验 | 第58-61页 |
| 5.4.2 微博好友推荐算法对比实验 | 第61-65页 |
| 5.5 本章小结 | 第65-67页 |
| 第6章 工作总结与未来工作展望 | 第67-69页 |
| 6.1 工作总结 | 第67-68页 |
| 6.2 未来工作展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 攻硕期间参与项目、发表论文及获奖情况 | 第75页 |
