基于UGC挖掘的学术虚拟社区知识推荐研究
| 中文摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-20页 |
| ·研究背景 | 第12-13页 |
| ·国内外研究现状 | 第13-17页 |
| ·学术虚拟社区研究现状 | 第13-14页 |
| ·Web数据挖掘研究现状 | 第14-16页 |
| ·知识推荐研究现状 | 第16页 |
| ·学术虚拟社区的知识推荐所面临的挑战 | 第16-17页 |
| ·研究目的与意义 | 第17-18页 |
| ·研究内容与创新 | 第18-20页 |
| ·研究内容 | 第18-19页 |
| ·创新之处 | 第19-20页 |
| 第2章 相关概述及研究基础 | 第20-33页 |
| ·学术虚拟社区 | 第20-27页 |
| ·虚拟社区相关概念 | 第20-22页 |
| ·学术虚拟社区的概念 | 第22-23页 |
| ·学术虚拟社区的分类 | 第23-26页 |
| ·学术虚拟社区的用户类型 | 第26-27页 |
| ·用户生成内容(UGC) | 第27-30页 |
| ·UGC的定义 | 第27-28页 |
| ·UGC的内容形式分析 | 第28-29页 |
| ·UGC的发布平台分析 | 第29-30页 |
| ·学术UGC | 第30-33页 |
| ·学术虚拟社区UGC | 第30页 |
| ·学术UGC的定义 | 第30-31页 |
| ·学术UGC特性 | 第31-33页 |
| 第3章 学术UGC挖掘 | 第33-43页 |
| ·WEB数据挖掘应用 | 第33-36页 |
| ·Web数据挖掘在学术虚拟社区中的应用 | 第33-34页 |
| ·Web数据挖掘在学术UGC中应用 | 第34-36页 |
| ·学术UGC常用分析方法 | 第36-38页 |
| ·K-means聚类算法 | 第36-38页 |
| ·PageRank | 第38页 |
| ·学术UGC距离计算方法 | 第38-43页 |
| ·学术UGC相似度的定义 | 第38-39页 |
| ·基于语义加权的学术UGC相似度计算 | 第39-43页 |
| 第4章 学术虚拟社区知识推荐的设计 | 第43-48页 |
| ·学术虚拟社区知识推荐模型 | 第43-45页 |
| ·显性知识推荐模型 | 第43-44页 |
| ·基于K-means聚类的推荐算法 | 第44-45页 |
| ·学术虚拟社区隐性知识推荐 | 第45-48页 |
| ·隐性知识推荐模型 | 第45-46页 |
| ·基于PageRank2的推荐算法 | 第46-47页 |
| ·PageRank2算法步骤 | 第47-48页 |
| 第5章 学术虚拟社区知识推荐的实证 | 第48-56页 |
| ·学术UGC自动分词 | 第48-49页 |
| ·学术UGC相似度计算 | 第49-51页 |
| ·文本预处理 | 第49-51页 |
| ·文本特征表示 | 第51页 |
| ·相似度计算 | 第51页 |
| ·算法计算及结果分析 | 第51-56页 |
| ·数据来源 | 第51页 |
| ·学术UGC聚类及结果分析 | 第51-52页 |
| ·学者权威度计算及结果分析 | 第52-56页 |
| 第6章 总结与展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录 | 第60-61页 |
| 致谢 | 第61页 |
