| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 论文研究背景与研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 个性化新闻推荐系统及系统开发关键技术介绍 | 第15-20页 |
| 2.1 个性化新闻推荐系统简介 | 第15页 |
| 2.2 个性化新闻推荐系统结构 | 第15-16页 |
| 2.3 个性化推荐算法介绍 | 第16-20页 |
| 2.3.1 基于人口统计学的推荐算法 | 第16-17页 |
| 2.3.2 基于内容的推荐算法 | 第17-18页 |
| 2.3.3 基于关联规则的推荐算法 | 第18-19页 |
| 2.3.4 基于协同过滤的推荐算法 | 第19页 |
| 2.3.5 基于网络结构的推荐算法 | 第19-20页 |
| 第3章 用户模型构建与主要算法研究 | 第20-41页 |
| 3.1 新闻类信息特性分析 | 第20-21页 |
| 3.2 推荐策略的需求分析 | 第21-22页 |
| 3.3 数据处理 | 第22-23页 |
| 3.3.1 数据的提取 | 第22页 |
| 3.3.2 数据清洗 | 第22页 |
| 3.3.3 数据关联整合 | 第22-23页 |
| 3.3.4 数据更新 | 第23页 |
| 3.4 用户行为偏好属性提取 | 第23-25页 |
| 3.5 构建用户模型 | 第25-26页 |
| 3.5.1 用户偏好模型的生成 | 第25-26页 |
| 3.5.2 用户偏好模型的更新 | 第26页 |
| 3.6 关键算法的研究 | 第26-33页 |
| 3.6.1 用户临时偏好模型的分析与研究 | 第26-28页 |
| 3.6.2 基于行为数据归一化方法的推荐算法尝试 | 第28-29页 |
| 3.6.3 Apriori算法的研究与适用性分析 | 第29-30页 |
| 3.6.4 FP-Growth算法研究以及适用性分析 | 第30-31页 |
| 3.6.5 基于马尔科夫模型的推荐算法研究与适用性分析 | 第31-33页 |
| 3.7 基于改进的多维度马尔科夫模型推荐算法的实际应用 | 第33-41页 |
| 3.7.1 改进的三维马尔科夫模型的设计 | 第36-38页 |
| 3.7.2 基于加权加参用户行为偏好属性的归一化算法设计 | 第38-41页 |
| 第4章 基于移动平台个性化新闻推荐系统的设计与实现 | 第41-51页 |
| 4.1 个性化推荐系统实现平台性能分析 | 第41页 |
| 4.2 个性化新闻推荐系统实现关键技术总结 | 第41-42页 |
| 4.3 个性化新闻推荐系统的实现背景 | 第42-43页 |
| 4.4 实现推荐系统的应用系统设计 | 第43-45页 |
| 4.5 个性化推荐系统的功能分析与实现 | 第45-51页 |
| 4.5.1 信息采集模块的设计与实现 | 第45-49页 |
| 4.5.2 兴趣度开关功能设计 | 第49-51页 |
| 第5章 实验结果分析 | 第51-59页 |
| 5.1 分组实验 | 第51-58页 |
| 5.2 实验结果分析总结 | 第58-59页 |
| 第6章 结论 | 第59-60页 |
| 6.1 论文总结 | 第59页 |
| 6.2 论文工作展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 后记 | 第62页 |
