| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 微博用户兴趣模型相关研究 | 第10-11页 |
| 1.2.2 信息推荐系统相关研究 | 第11页 |
| 1.3 本文研究内容和意义 | 第11-12页 |
| 1.4 本文结构安排 | 第12-15页 |
| 第二章 用户兴趣模型相关理论 | 第15-23页 |
| 2.1 微博用户兴趣模型概述 | 第15-17页 |
| 2.1.1 微博用户兴趣信息 | 第15-16页 |
| 2.1.2 用户兴趣模型的表示方法 | 第16-17页 |
| 2.2 推荐系统介绍 | 第17-21页 |
| 2.2.1 常用的推荐算法 | 第17-19页 |
| 2.2.2 推荐效果的评价 | 第19-21页 |
| 2.3 聚类算法介绍 | 第21-23页 |
| 2.3.1 常用聚类算法简介 | 第21页 |
| 2.3.2 聚类有效性评价 | 第21-23页 |
| 第三章 微博活跃用户兴趣建模 | 第23-43页 |
| 3.1 微博活跃用户的识别和检测 | 第23-26页 |
| 3.1.1 用户社交特征 | 第23-24页 |
| 3.1.2 用户资料特征 | 第24页 |
| 3.1.3 微博内容特征 | 第24页 |
| 3.1.4 支持向量机 | 第24-25页 |
| 3.1.5 实验结果展示和分析 | 第25-26页 |
| 3.2 微博文本预处理 | 第26-27页 |
| 3.3 基于关键词的用户兴趣模型 | 第27-35页 |
| 3.3.1 常用的关键词提取算法 | 第27-28页 |
| 3.3.2 基于TextRank算法的新闻关键词提取 | 第28-29页 |
| 3.3.3 基于层次分析法的微博用户兴趣标签提取算法 | 第29-32页 |
| 3.3.4 实验结果展示和分析 | 第32-35页 |
| 3.4 基于LDA主题模型的用户兴趣模型 | 第35-38页 |
| 3.4.1 LDA主题模型 | 第35-36页 |
| 3.4.2 基于LDA主题分布的用户兴趣建模 | 第36-37页 |
| 3.4.3 实验结果展示和分析 | 第37-38页 |
| 3.5 基于句子向量的用户兴趣模型 | 第38-41页 |
| 3.5.1 词向量 | 第38-39页 |
| 3.5.2 句子向量 | 第39页 |
| 3.5.3 基于句子向量的用户兴趣建模 | 第39-40页 |
| 3.5.4 实验结果展示和分析 | 第40-41页 |
| 3.6 本章总结 | 第41-43页 |
| 第四章 基于活跃用户兴趣模型的新闻推荐算法 | 第43-53页 |
| 4.1 基于内容的新闻推荐算法 | 第43-46页 |
| 4.1.1 相似性度量 | 第43-44页 |
| 4.1.2 不同兴趣模型下的新闻推荐效果 | 第44-46页 |
| 4.2 基于协同过滤的新闻推荐算法 | 第46-52页 |
| 4.2.1 谱聚类 | 第46-49页 |
| 4.2.2 不同用户兴趣簇数目下的聚类效果比较 | 第49-51页 |
| 4.2.3 基于协同过滤的新闻推荐 | 第51-52页 |
| 4.3 本章总结 | 第52-53页 |
| 第五章 基于用户兴趣模型的新闻推荐原型系统 | 第53-61页 |
| 5.1 系统概述 | 第53页 |
| 5.2 系统结构 | 第53-54页 |
| 5.3 系统实现 | 第54-61页 |
| 5.3.1 数据爬取及预处理 | 第55-56页 |
| 5.3.2 活跃用户识别和检测 | 第56页 |
| 5.3.3 用户兴趣模型训练 | 第56-57页 |
| 5.3.4 新闻特征的提取 | 第57页 |
| 5.3.5 新闻TopN推荐 | 第57-59页 |
| 5.3.6 总结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 攻读学位期间发表的学术论文目录 | 第69页 |