Hadoop平台下基于LDA的新闻推荐算法研究
| 摘要 | 第1-4页 |
| abstract | 第4-8页 |
| 第1章 绪论 | 第8-14页 |
| ·研究背景 | 第8页 |
| ·研究意义 | 第8-9页 |
| ·研究现状 | 第9-12页 |
| ·推荐系统简介 | 第9-10页 |
| ·推荐系统 | 第9页 |
| ·推荐系统评估 | 第9页 |
| ·推荐系统的推荐邻域 | 第9-10页 |
| ·新闻推荐方法概述 | 第10-11页 |
| ·聚类推荐的难点与问题 | 第11页 |
| ·采用Hadoop平台 | 第11-12页 |
| ·实验平台介绍 | 第12页 |
| ·本文主要工作 | 第12-13页 |
| ·本章小结 | 第13-14页 |
| 第2章 文本聚类相关技术简介 | 第14-25页 |
| ·中文文本分词系统 | 第14-17页 |
| ·ICTCLAS汉语分词系统 | 第15页 |
| ·ICTCLAS分词系统接口 | 第15-16页 |
| ·接口声明 | 第15-16页 |
| ·实施分词处理 | 第16页 |
| ·ICTCLAS的缺陷 | 第16-17页 |
| ·关键词抽取聚类 | 第17-21页 |
| ·Canopy聚类算法 | 第17-18页 |
| ·相似性度量计算方法 | 第18-20页 |
| ·TF与TF-IDF | 第20-21页 |
| ·主题抽取聚类LDA | 第21-23页 |
| ·LDA的数学模型 | 第21-23页 |
| ·LDA的求解方法 | 第23页 |
| ·聚类算法对比与选取 | 第23-24页 |
| ·聚类算法对比 | 第23-24页 |
| ·聚类方案的取舍 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第3章 文本分词及降噪优化 | 第25-32页 |
| ·语料库的选取 | 第25-26页 |
| ·加入自定义词 | 第26页 |
| ·停用词的剔除 | 第26-30页 |
| ·首次词性对比建树降噪 | 第27-29页 |
| ·二次停用词建树降噪 | 第29-30页 |
| ·文本降噪总结 | 第30页 |
| ·降频优化处理 | 第30-31页 |
| ·实施聚类后反馈降噪 | 第31页 |
| ·本章小结 | 第31-32页 |
| 第4章 LDA聚类分析与优化 | 第32-39页 |
| ·LDA的求解 | 第32-34页 |
| ·变分贝叶斯期望最大化求解 | 第32-33页 |
| ·吉布斯采样求解 | 第33-34页 |
| ·塌缩吉布斯采样求解 | 第34页 |
| ·塌缩变分贝叶斯求解 | 第34页 |
| ·LDA训练的实现 | 第34-37页 |
| ·使用Hadoop平台进行运算 | 第34-35页 |
| ·MapReduce模型及程序开发 | 第35-36页 |
| ·CVB算法的hadoop实现 | 第36-37页 |
| ·主题数优化分析 | 第37页 |
| ·降频与平滑度优化 | 第37-38页 |
| ·迭代次数优化 | 第38页 |
| ·本章小结 | 第38-39页 |
| 第5章 验证实验及分析 | 第39-60页 |
| ·分词系统的改进实验 | 第39-41页 |
| ·自定义新词改善分词系统 | 第39-40页 |
| ·二次建树优化文本降噪 | 第40页 |
| ·降频优化处理 | 第40页 |
| ·实验数据分析 | 第40-41页 |
| ·聚类实验对比 | 第41-45页 |
| ·实施词抽取实验 | 第41-43页 |
| ·使用K-means算法细化聚类 | 第43-44页 |
| ·关键词抽取实验分析 | 第44页 |
| ·主题抽取实验及分析 | 第44-45页 |
| ·LDA聚类优化实验 | 第45-52页 |
| ·主题数对比实验 | 第45-47页 |
| ·降频对比实验 | 第47-48页 |
| ·平滑度对比实验 | 第48-50页 |
| ·迭代次数对比实验 | 第50-52页 |
| ·反馈去噪改良聚类及分析 | 第52-54页 |
| ·聚类总体效果分析 | 第54页 |
| ·新闻推荐及结果分析 | 第54-59页 |
| ·算法及流程整合 | 第55-56页 |
| ·新闻推荐过程介绍 | 第56-58页 |
| ·推荐结果分析 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读学位期间发表的论文 | 第66页 |
