基于主题词的微博用户兴趣模型研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 引言 | 第9-17页 |
| 1.1 研究背景 | 第9-11页 |
| 1.1.1 移动互联网络的发展 | 第9页 |
| 1.1.2 微博的平台优势 | 第9-10页 |
| 1.1.3 微博信息流推送的现状 | 第10-11页 |
| 1.2 研究意义 | 第11-13页 |
| 1.2.1 理论意义 | 第11-12页 |
| 1.2.2 实践意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-14页 |
| 1.3.1 国内研究现状 | 第13页 |
| 1.3.2 国外研究现状 | 第13-14页 |
| 1.4 研究内容 | 第14-17页 |
| 第2章 相关理论 | 第17-26页 |
| 2.1 主题模型 | 第17-23页 |
| 2.1.1 PLSA模型 | 第18-19页 |
| 2.1.2 共轭先验分布 | 第19-20页 |
| 2.1.3 GibbsSampling | 第20-21页 |
| 2.1.4 LDA模型 | 第21-23页 |
| 2.2 主题模型的对比与选择 | 第23-24页 |
| 2.2.1 TwitterRank模型 | 第23-24页 |
| 2.2.2 Author-Topic模型 | 第24页 |
| 2.2.3 TwitterLDA模型 | 第24页 |
| 2.3 网页爬虫技术 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 数据采集及预处理 | 第26-32页 |
| 3.1 微博数据采集 | 第26-28页 |
| 3.2 降噪处理 | 第28页 |
| 3.3 中文分词 | 第28-30页 |
| 3.4 去停用词 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 微博用户兴趣模型的构建 | 第32-41页 |
| 4.1 微博文本内容的兴趣模型构建 | 第32-35页 |
| 4.2 用户关注的兴趣模型构建 | 第35-37页 |
| 4.3 用户标签的兴趣模型构建 | 第37-38页 |
| 4.4 整合模型的微博用户兴趣模型构建 | 第38-39页 |
| 4.5 本章小结 | 第39-41页 |
| 第5章 微博用户兴趣模型的评估 | 第41-46页 |
| 5.1 以用户A为例的模型检验 | 第41-44页 |
| 5.1.1 用户A微博兴趣模型的构建 | 第41-42页 |
| 5.1.2 微博用户兴趣模型的评估 | 第42-44页 |
| 5.2 个性化广告推荐应用 | 第44-45页 |
| 5.3 本章小结 | 第45-46页 |
| 总结和展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 附录 | 第51-56页 |
| 附录A LDA模型实现部分代码 | 第51-54页 |
| 附录B 自定义标签兴趣代码对照表 | 第54-55页 |
| 附录C 67名问卷用户评价指标表(部分) | 第55-56页 |
| 攻读硕士学位期间取得的研究成果 | 第56-57页 |
| 致谢 | 第57-58页 |
