个性化推荐技术在RSS网络新闻中的研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景 | 第12页 |
| 1.2 相关技术发展现状 | 第12-14页 |
| 1.2.1 RSS技术国内外研究现状 | 第12-13页 |
| 1.2.2 推荐技术国内外研究现状 | 第13-14页 |
| 1.3 研究目的 | 第14-15页 |
| 1.4 主要研究内容 | 第15页 |
| 1.5 论文组织结构 | 第15-17页 |
| 第2章 个性化推荐技术综述 | 第17-27页 |
| 2.1 用户兴趣模型表示 | 第17-19页 |
| 2.1.1 基于向量空间模型的表示法 | 第17-18页 |
| 2.1.2 神经网络表示法 | 第18页 |
| 2.1.3 用户-项目评分矩阵的表示法 | 第18页 |
| 2.1.4 本体论(Ontology)的表示法 | 第18-19页 |
| 2.2 用户模型建立与更新 | 第19-20页 |
| 2.3 相关个性化推荐算法 | 第20-26页 |
| 2.3.1 基于关联规则的推荐算法 | 第20页 |
| 2.3.2 基于协同过滤的推荐算法 | 第20-23页 |
| 2.3.3 基于内容过滤的推荐算法 | 第23-25页 |
| 2.3.4 混合推荐算法 | 第25-26页 |
| 2.4 小结 | 第26-27页 |
| 第3章 用户模型的构建与改进 | 第27-35页 |
| 3.1 模型构建方法 | 第27-29页 |
| 3.1.1 用户参与手工定制建模 | 第27-28页 |
| 3.1.2 示例用户建模 | 第28页 |
| 3.1.3 自动用户建模 | 第28-29页 |
| 3.2 改进的用户兴趣模型 | 第29-33页 |
| 3.2.1 基于新闻内容的用户兴趣 | 第29-30页 |
| 3.2.2 用户浏览行为分析 | 第30-33页 |
| 3.3 用户模型更新 | 第33-34页 |
| 3.4 小结 | 第34-35页 |
| 第4章 基于语义分析的个性化推荐方法 | 第35-58页 |
| 4.1 基于语义分析推荐方法过程概述 | 第35页 |
| 4.2 RSS新闻源预处理 | 第35-37页 |
| 4.3 新闻文本语义分析 | 第37-43页 |
| 4.3.1 WordNet词库 | 第38页 |
| 4.3.2 新闻文本预处理 | 第38-43页 |
| 4.4 基于语义相似度计算 | 第43-51页 |
| 4.4.1 基于节点信息的相似度计算 | 第43-45页 |
| 4.4.2 基于节点路径的相似度计算 | 第45-46页 |
| 4.4.3 改进的相似度计算方法 | 第46-47页 |
| 4.4.4 实验分析 | 第47-51页 |
| 4.5 新闻推荐 | 第51-57页 |
| 4.5.1 新闻相似度计算 | 第51-52页 |
| 4.5.2 实验环境 | 第52-53页 |
| 4.5.3 实验数据 | 第53页 |
| 4.5.4 评估指标 | 第53-54页 |
| 4.5.5 实验分析 | 第54-57页 |
| 4.6 小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读学位期间完成的主要成果 | 第64页 |
