基于上下文感知的移动新闻推荐研究与实现
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景及目的 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 本文结构安排 | 第13-15页 |
| 2 相关理论与技术 | 第15-26页 |
| 2.1 上下文感知推荐系统概述 | 第15-16页 |
| 2.2 移动新闻推荐系统概述 | 第16-18页 |
| 2.3 文本向量化技术 | 第18-23页 |
| 2.3.1 向量空间模型 | 第19页 |
| 2.3.2 LDA主题模型 | 第19-21页 |
| 2.3.3 神经词向量模型 | 第21-23页 |
| 2.4 文本聚类和分类技术 | 第23-25页 |
| 2.4.1 文本聚类技术 | 第23-24页 |
| 2.4.2 文本分类技术 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 基于KNN改进的密度峰值聚类算法 | 第26-41页 |
| 3.1 密度峰值聚类算法概述 | 第26-29页 |
| 3.1.1 DPC算法的主要思想 | 第26-28页 |
| 3.1.2 DPC算法存在的问题 | 第28-29页 |
| 3.2 密度峰值聚类算法的改进 | 第29-35页 |
| 3.2.1 基于KNN的局部密度计算方法 | 第29-30页 |
| 3.2.2 聚类中心选择和初始类簇生成 | 第30-33页 |
| 3.2.3 基于密度可达的类簇合并 | 第33-34页 |
| 3.2.4 算法主要步骤和流程 | 第34-35页 |
| 3.3 实验结果与分析 | 第35-40页 |
| 3.3.1 实验评价指标 | 第35-36页 |
| 3.3.2 实验环境和数据集 | 第36页 |
| 3.3.3 基准数据集聚类 | 第36-37页 |
| 3.3.4 搜狗数据集聚类 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 基于上下文感知的移动新闻推荐算法 | 第41-60页 |
| 4.1 移动环境上下文信息 | 第41-44页 |
| 4.1.1 时间上下文信息 | 第41-42页 |
| 4.1.2 位置上下文信息 | 第42-43页 |
| 4.1.3 设备上下文信息 | 第43-44页 |
| 4.2 新闻内容建模 | 第44-45页 |
| 4.2.1 新闻聚类和分类 | 第44-45页 |
| 4.2.2 新闻流行度计算 | 第45页 |
| 4.3 上下文用户兴趣建模 | 第45-49页 |
| 4.3.1 用户兴趣表示 | 第45-47页 |
| 4.3.2 用户既有兴趣 | 第47-48页 |
| 4.3.3 用户潜在兴趣 | 第48-49页 |
| 4.4 移动新闻推荐算法 | 第49-52页 |
| 4.4.1 新闻推荐结果生成 | 第49-52页 |
| 4.4.2 新闻推荐算法流程 | 第52页 |
| 4.5 新闻推荐结果显示 | 第52-54页 |
| 4.6 实验结果与分析 | 第54-59页 |
| 4.6.1 实验评价指标 | 第54页 |
| 4.6.2 实验环境和数据集 | 第54-55页 |
| 4.6.3 新闻文本聚类结果 | 第55-56页 |
| 4.6.4 新闻推荐实验结果 | 第56-59页 |
| 4.7 本章小结 | 第59-60页 |
| 5 移动新闻推荐系统设计与实现 | 第60-74页 |
| 5.1 系统架构与功能模块 | 第60-62页 |
| 5.2 新闻数据采集模块 | 第62-69页 |
| 5.2.1 移动新闻应用站点地图 | 第63-66页 |
| 5.2.2 新闻采集轮询时间预测 | 第66-67页 |
| 5.2.3 增量采集最佳重复条数 | 第67-68页 |
| 5.2.4 新闻数据在线采集结果 | 第68-69页 |
| 5.3 移动新闻推荐模块 | 第69-70页 |
| 5.4 移动新闻客户端 | 第70-73页 |
| 5.5 本章小结 | 第73-74页 |
| 6 总结与展望 | 第74-76页 |
| 6.1 本文总结 | 第74页 |
| 6.2 未来工作展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 附录 | 第82页 |
