基于时间因素的个性化新闻混合推荐研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 论文的主要研究工作 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 2 相关理论及技术 | 第18-31页 |
| 2.1 个性化推荐技术 | 第18-24页 |
| 2.1.1 基于内容的推荐算法 | 第19-20页 |
| 2.1.2 协同过滤推荐算法 | 第20-23页 |
| 2.1.3 混合推荐算法 | 第23-24页 |
| 2.2 文本特征处理 | 第24-25页 |
| 2.3 LDA概率生成模型 | 第25-27页 |
| 2.4 聚类分析 | 第27-29页 |
| 2.5 相似度计算公式 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 3 HTF个性化新闻推荐模型 | 第31-42页 |
| 3.1 用户阅读时间行为聚类 | 第32-34页 |
| 3.2 用户兴趣分布模型 | 第34-35页 |
| 3.3 用户长期/短期阅读兴趣模型 | 第35-37页 |
| 3.4 相似度计算的改进 | 第37-39页 |
| 3.5 HTF算法生成推荐列表 | 第39-41页 |
| 3.5.1 主动阅读推荐 | 第39-40页 |
| 3.5.2 被动阅读推荐 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 4 实验及分析 | 第42-47页 |
| 4.1 实验设置 | 第42-43页 |
| 4.2 评价标准 | 第43页 |
| 4.3 相似邻居个数 | 第43-44页 |
| 4.4 HTF与其他算法比较 | 第44-45页 |
| 4.5 本章小结 | 第45-47页 |
| 5 结论与展望 | 第47-49页 |
| 5.1 结论 | 第47页 |
| 5.2 进一步的工作 | 第47-49页 |
| 参考文献 | 第49-51页 |
| 个人简历、在学期间发表的学术论文 | 第51-52页 |
| 个人简历 | 第51页 |
| 在校期间录用的学术论文和获得奖项 | 第51页 |
| 在校期间参编著作和参与项目 | 第51-52页 |
| 致谢 | 第52页 |
