| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 前言 | 第10-13页 |
| ·研究背景及意义 | 第10-11页 |
| ·论文研究内容和目标 | 第11-12页 |
| ·论文组织结构 | 第12-13页 |
| 第二章 个性化推荐技术综述 | 第13-23页 |
| ·个性化推荐系统概述 | 第13-14页 |
| ·个性化推荐方法 | 第14-19页 |
| ·基于关联规则的推荐 | 第14-15页 |
| ·协同过滤推荐 | 第15-17页 |
| ·基于内容的推荐 | 第17-18页 |
| ·混合推荐系统 | 第18-19页 |
| ·个性化推荐在新闻领域的应用与现状 | 第19-22页 |
| ·面向新闻的个性化推荐 | 第19页 |
| ·个性化新闻推荐现状 | 第19-21页 |
| ·个性化新闻推荐面临挑战 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 主题模型技术研究 | 第23-31页 |
| ·主题模型概述 | 第23-24页 |
| ·主题模型研究背景及发展历程 | 第24-27页 |
| ·LDA主题模型 | 第27-30页 |
| ·LDA模型简介 | 第27-28页 |
| ·LDA模型求解 | 第28-29页 |
| ·LDA在文本挖掘中的应用 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第四章 基于内容和主题特征的个性化新闻推荐方案 | 第31-45页 |
| ·问题的描述 | 第31-32页 |
| ·方案的思路 | 第32页 |
| ·方案总体设计 | 第32-33页 |
| ·新闻模型表示 | 第33-35页 |
| ·用户兴趣模型 | 第35-41页 |
| ·用户行为分析 | 第35-36页 |
| ·兴趣模型表示 | 第36-37页 |
| ·兴趣模型计算 | 第37-39页 |
| ·兴趣模型修正与更新 | 第39-41页 |
| ·新闻推荐生成 | 第41-43页 |
| ·匹配度计算 | 第41-42页 |
| ·冗余删除及过滤 | 第42页 |
| ·主题分组 | 第42-43页 |
| ·时效权值排序 | 第43页 |
| ·本章小结 | 第43-45页 |
| 第五章 基于主题模型的个性化新闻推荐系统设计与实现 | 第45-64页 |
| ·推荐系统外围架构 | 第45页 |
| ·推荐系统处理流程 | 第45-47页 |
| ·构建用户兴趣模型 | 第46页 |
| ·新加入新闻推荐计算 | 第46-47页 |
| ·推荐列表生成更新 | 第47页 |
| ·推荐系统后台数据库设计 | 第47-50页 |
| ·Mysql存储 | 第47-48页 |
| ·MongoDB存储 | 第48-50页 |
| ·推荐系统功能模块设计 | 第50-52页 |
| ·推荐系统详细设计与实现 | 第52-63页 |
| ·预处理模块的设计与实现 | 第52-53页 |
| ·主题模型模块的设计与实现 | 第53-59页 |
| ·用户兴趣模型构建模块的设计与实现 | 第59-60页 |
| ·新闻推荐生成模块的设计与实现 | 第60-63页 |
| ·本章小结 | 第63-64页 |
| 第六章 新闻推荐系统测试及性能评估 | 第64-79页 |
| ·测试目标 | 第64-65页 |
| ·测试环境 | 第65页 |
| ·测试方案及结果分析 | 第65-71页 |
| ·新闻文本主题模型训练及预测测试 | 第65-68页 |
| ·用户兴趣模型测试 | 第68-69页 |
| ·推荐列表处理更新测试 | 第69-70页 |
| ·推荐结果前端展示 | 第70-71页 |
| ·推荐系统性能评估指标 | 第71-73页 |
| ·预测准确率 | 第71-73页 |
| ·多样性 | 第73页 |
| ·性能评估实验方法及结果分析 | 第73-77页 |
| ·实验一：用户兴趣模型评估 | 第74-75页 |
| ·实验二：新闻推荐生成评估 | 第75-76页 |
| ·实验三：推荐系统综合推荐能力评估 | 第76-77页 |
| ·本章小结 | 第77-79页 |
| 第七章 总结与展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 缩略语 | 第85-86页 |
| 致谢 | 第86-87页 |
| 攻读学位期间发表的学术论文和申请的发明专利 | 第87页 |