| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 主题模型发展 | 第11-13页 |
| 1.2.2 社会化推荐相关研究 | 第13-16页 |
| 1.3 本文的主要工作及组织结构 | 第16-18页 |
| 1.3.1 本文的研究内容和方法 | 第16-17页 |
| 1.3.2 本文的组织结构 | 第17-18页 |
| 第2章 相关技术综述 | 第18-40页 |
| 2.1 主题模型相关技术 | 第18-33页 |
| 2.1.1 LDA介绍 | 第18-23页 |
| 2.1.2 sLDA与fLDA——基于LDA的模型改进 | 第23-29页 |
| 2.1.3 Gibbs抽样与EM算法 | 第29-33页 |
| 2.2 推荐系统中的信任关系整合技术 | 第33-39页 |
| 2.2.1 用户关系网络的建模 | 第33-34页 |
| 2.2.2 信任整合的推荐方法 | 第34-39页 |
| 2.3 本章小结 | 第39-40页 |
| 第3章 TB-LDA：基于信任的因式分解LDA模型 | 第40-51页 |
| 3.1 模型简介 | 第40-42页 |
| 3.2 模型原理 | 第42-47页 |
| 3.2.1 定义与假设 | 第42-44页 |
| 3.2.2 先验分布 | 第44-46页 |
| 3.2.3 生成过程 | 第46-47页 |
| 3.3 微博推荐应用的建模 | 第47-50页 |
| 3.3.1 建模方法 | 第48-49页 |
| 3.3.2 训练与推荐 | 第49-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第4章 TB-LDA模型算法 | 第51-65页 |
| 4.1 训练 | 第51-63页 |
| 4.1.1 Monte Carlo E-Step | 第52-61页 |
| 4.1.2 M-Step | 第61-63页 |
| 4.2 预测 | 第63-64页 |
| 4.3 本章小结 | 第64-65页 |
| 第5章 实验与分析 | 第65-78页 |
| 5.1 数据准备 | 第65-69页 |
| 5.1.1 数据抓取 | 第65-67页 |
| 5.1.2 预处理 | 第67-69页 |
| 5.2 实验设计 | 第69-71页 |
| 5.2.1 数据集划分 | 第69页 |
| 5.2.2 程序设计 | 第69-70页 |
| 5.2.3 评测标准 | 第70-71页 |
| 5.3 实验方案 | 第71-72页 |
| 5.4 实验结果及分析 | 第72-77页 |
| 5.5 本章小结 | 第77-78页 |
| 第6章 总结与展望 | 第78-80页 |
| 6.1 本文总结 | 第78-79页 |
| 6.2 未来工作展望 | 第79-80页 |
| 参考文献 | 第80-85页 |
| 攻读硕士学位期间主要的研究成果 | 第85-86页 |
| 致谢 | 第86页 |