| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究目的与意义 | 第11-12页 |
| 1.2.1 研究目的 | 第11页 |
| 1.2.2 研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-17页 |
| 1.3.1 国外研究现状 | 第12-14页 |
| 1.3.2 国内研究现状 | 第14-16页 |
| 1.3.3 国内外研究评述 | 第16-17页 |
| 1.4 研究内容与方法 | 第17-20页 |
| 1.4.1 研究内容 | 第17页 |
| 1.4.2 研究方法 | 第17-19页 |
| 1.4.3 技术路线 | 第19-20页 |
| 第2章 移动微博用户兴趣模型构建及推荐框架 | 第20-30页 |
| 2.1 移动微博内涵特征及其用户特点分析 | 第20-22页 |
| 2.1.1 移动微博内涵 | 第20-21页 |
| 2.1.2 移动微博特征 | 第21页 |
| 2.1.3 移动微博用户特点 | 第21-22页 |
| 2.2 移动微博用户兴趣因素分析 | 第22-25页 |
| 2.2.1 移动微博用户兴趣内涵 | 第22页 |
| 2.2.2 移动微博用户兴趣影响因素 | 第22-25页 |
| 2.3 移动微博用户兴趣模型构建 | 第25-27页 |
| 2.3.1 不同情境下的用户兴趣模型 | 第25-26页 |
| 2.3.2 社交网络中的用户兴趣模型 | 第26-27页 |
| 2.3.3 融合后的用户兴趣模型 | 第27页 |
| 2.4 基于用户兴趣的移动微博协同过滤推荐框架设计 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于用户兴趣的移动微博用户聚类方法 | 第30-37页 |
| 3.1 移动微博用户聚类过程设计 | 第30页 |
| 3.2 基于加权的SlopeOne用户兴趣模型评分数据填充 | 第30-33页 |
| 3.3 基于最大距离的K-means初始聚类中心的选取 | 第33-35页 |
| 3.3.1 距离度量的改进 | 第33-34页 |
| 3.3.2 初始聚类中心选取的改进 | 第34-35页 |
| 3.4 移动微博用户聚类集合的确定 | 第35页 |
| 3.5 本章小结 | 第35-37页 |
| 第4章 基于用户兴趣的移动微博用户相似性计量及推荐集生成 | 第37-43页 |
| 4.1 基于用户兴趣的移动微博用户相似性推荐过程设计 | 第37页 |
| 4.2 移动微博用户兴趣的相似性计算 | 第37-40页 |
| 4.2.1 目标用户的兴趣集计算 | 第37-39页 |
| 4.2.2 移动微博用户相似性计算 | 第39-40页 |
| 4.3 基于目标用户兴趣的推荐集合生成 | 第40-41页 |
| 4.3.1 目标用户邻居集合生成 | 第40-41页 |
| 4.3.2 目标用户推荐集合生成 | 第41页 |
| 4.4 本章小结 | 第41-43页 |
| 第5章 实证研究 | 第43-54页 |
| 5.1 移动新浪微博简介 | 第43-44页 |
| 5.2 移动新浪微博用户兴趣的构建 | 第44-45页 |
| 5.2.1 移动新浪微博情景兴趣构建 | 第44页 |
| 5.2.2 移动新浪微博社交网络中兴趣构建 | 第44-45页 |
| 5.2.3 基于情境兴趣和社交网络兴趣融合的用户兴趣特征构建 | 第45页 |
| 5.3 基于用户兴趣移动新浪微博的用户聚类 | 第45-50页 |
| 5.3.1 基于加权SlopeOne方法的用户兴趣评分数据填充 | 第45-48页 |
| 5.3.2 基于改进的K-means用户聚类 | 第48-50页 |
| 5.4 基于用户兴趣的协同过滤移动新浪微博推荐结果生成 | 第50-53页 |
| 5.4.1 移动新浪微博用户兴趣计算及邻居生成 | 第50-51页 |
| 5.4.2 移动新浪微博内容评分预测及推荐结果生成 | 第51-52页 |
| 5.4.3 移动新浪微博推荐结果质量检验 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 攻读学位期间发表的学术论文 | 第61-62页 |
| 致谢 | 第62页 |
