基于社区网络的新闻推荐系统研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 推荐系统研究现状 | 第11-12页 |
| 1.2.2 新闻推荐研究现状 | 第12-13页 |
| 1.2.3 社区发现研究现状 | 第13-15页 |
| 1.3 本文研究内容 | 第15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-18页 |
| 2 相关技术研究 | 第18-30页 |
| 2.1 推荐系统相关技术 | 第18-27页 |
| 2.1.1 推荐系统简介 | 第18-19页 |
| 2.1.2 常见推荐算法 | 第19-23页 |
| 2.1.3 常见相似度计算方法 | 第23-24页 |
| 2.1.4 常见评价指标 | 第24-27页 |
| 2.2 社区发现相关技术 | 第27-29页 |
| 2.2.1 社区发现概述 | 第27页 |
| 2.2.2 社区模块度 | 第27页 |
| 2.2.3 常见社区发现算法 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 3 基于社区发现的推荐算法 | 第30-42页 |
| 3.1 推荐模型简介 | 第30页 |
| 3.2 新闻文本模型构建 | 第30-32页 |
| 3.2.1 文本预处理 | 第30-31页 |
| 3.2.2 文本模型构建 | 第31-32页 |
| 3.3 建立社区模型 | 第32-35页 |
| 3.3.1 用户综合相似度 | 第32-34页 |
| 3.3.2 建立用户关系网络 | 第34-35页 |
| 3.4 基于社区发现的推荐算法 | 第35-37页 |
| 3.4.1 社区发现算法 | 第35-36页 |
| 3.4.2 社区内推荐 | 第36-37页 |
| 3.5 实验与分析 | 第37-41页 |
| 3.5.1 实验方案 | 第37-38页 |
| 3.5.2 实验结果分析 | 第38-41页 |
| 3.6 本章小结 | 第41-42页 |
| 4 基于混合兴趣模型的个性化推荐算法 | 第42-52页 |
| 4.1 用户长期兴趣模型 | 第42-44页 |
| 4.1.1 引入时间衰减函数 | 第42页 |
| 4.1.2 长期兴趣模型构建 | 第42-44页 |
| 4.2 用户潜在兴趣模型 | 第44-46页 |
| 4.3 基于混合兴趣模型的个性化推荐算法 | 第46-48页 |
| 4.3.1 混合模型构建 | 第46页 |
| 4.3.2 用户推荐结果 | 第46-48页 |
| 4.4 实验与分析 | 第48-51页 |
| 4.4.1 实验方案 | 第48页 |
| 4.4.2 实验结果分析 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 本文工作总结 | 第52-53页 |
| 5.2 未来展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的论文及研究成果 | 第58-60页 |
| 致谢 | 第60-61页 |
