| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 选题背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 推荐系统的发展 | 第13-14页 |
| 1.2.2 新闻推荐研究现状 | 第14-15页 |
| 1.3 推荐系统面临的问题 | 第15-16页 |
| 1.4 论文的主要内容 | 第16-17页 |
| 1.5 论文的组织结构 | 第17-18页 |
| 第二章 相关技术 | 第18-35页 |
| 2.1 推荐系统基本流程 | 第18-20页 |
| 2.1.1 构建用户模型 | 第18-20页 |
| 2.1.1.1 用户数据收集 | 第18-19页 |
| 2.1.1.2 用户模型表示 | 第19页 |
| 2.1.1.3 用户模型更新 | 第19-20页 |
| 2.1.2 建立项目模型 | 第20页 |
| 2.2 推荐系统的文本处理 | 第20-22页 |
| 2.2.1 TF-IDF算法 | 第20-21页 |
| 2.2.2 TextRank算法 | 第21-22页 |
| 2.3 推荐系统主要算法 | 第22-28页 |
| 2.3.1 基于内容过滤算法 | 第22-23页 |
| 2.3.2 协同过滤算法 | 第23-27页 |
| 2.3.2.1 基于用户的协同过滤 | 第23-25页 |
| 2.3.2.2 基于项目的协同过滤 | 第25-27页 |
| 2.3.2.3 基于模型的协同过滤 | 第27页 |
| 2.3.3 混合推荐算法 | 第27-28页 |
| 2.4 BP神经网络算法 | 第28-33页 |
| 2.4.1 神经元结构 | 第28-29页 |
| 2.4.2 神经网络模型 | 第29-30页 |
| 2.4.3 BP神经网络算法 | 第30-33页 |
| 2.5 推荐系统评测指标 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 新闻推荐系统的总体架构 | 第35-40页 |
| 3.1 系统需求分析 | 第35页 |
| 3.2 系统网络结构 | 第35-36页 |
| 3.3 系统软件架构 | 第36-38页 |
| 3.4 系统处理流程 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 个性化新闻推荐算法 | 第40-49页 |
| 4.1 引言 | 第40页 |
| 4.2 基于协同过滤的新闻推荐算法 | 第40-43页 |
| 4.2.1 基于用户的协同过滤新闻推荐算法 | 第40-42页 |
| 4.2.2 基于项目的协同过滤新闻推荐算法 | 第42-43页 |
| 4.3 基于BP神经网络算法的新闻推荐 | 第43-48页 |
| 4.3.1 基于批处理模式的BP神经网络算法 | 第43-44页 |
| 4.3.2 基于BP神经网络算法的新闻推荐 | 第44-48页 |
| 4.3.2.1 训练阶段 | 第45-47页 |
| 4.3.2.2 推荐阶段 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 新闻推荐系统的设计与实现 | 第49-71页 |
| 5.1 系统概要设计 | 第49-54页 |
| 5.1.1 系统应用层模块设计 | 第49-50页 |
| 5.1.2 推荐计算层模块设计 | 第50-51页 |
| 5.1.3 数据库设计 | 第51-54页 |
| 5.1.3.1 HBase数据库设计 | 第51-53页 |
| 5.1.3.2 Redis数据库设计 | 第53-54页 |
| 5.2 系统应用层设计与实现 | 第54-57页 |
| 5.2.1 应用服务模块 | 第54-55页 |
| 5.2.2 基于HBase的持久层封装 | 第55-57页 |
| 5.2.3 新闻数据的爬取 | 第57页 |
| 5.3 推荐计算层设计与实现 | 第57-70页 |
| 5.3.1 模型构建模块 | 第57-63页 |
| 5.3.1.1 新闻模型构建 | 第57-59页 |
| 5.3.1.2 用户模型构建 | 第59-62页 |
| 5.3.1.3 基于神经网络模型构建 | 第62-63页 |
| 5.3.2 热点推荐模块 | 第63-64页 |
| 5.3.3 个性化推荐模块 | 第64-68页 |
| 5.3.3.1 基于用户的协同过滤子模块 | 第64-66页 |
| 5.3.3.2 基于项目的协同过滤子模块 | 第66-67页 |
| 5.3.3.3 基于神经网络模型推荐子模块 | 第67-68页 |
| 5.3.4 混合排名子模块 | 第68-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 算法评估以及系统测试 | 第71-82页 |
| 6.1 新闻推荐算法实验 | 第71-78页 |
| 6.1.1 实验数据选取 | 第71页 |
| 6.1.2 实验评估指标 | 第71-72页 |
| 6.1.3 实验方案内容 | 第72页 |
| 6.1.4 实验效果结论 | 第72-78页 |
| 6.1.4.1 实验前的准备 | 第72页 |
| 6.1.4.2 协同过滤的时间因子选取实验 | 第72-74页 |
| 6.1.4.3 协同过滤的相似度权重选取实验 | 第74-76页 |
| 6.1.4.4 基于神经网络推荐和基于内容过滤推荐的对比实验 | 第76-78页 |
| 6.1.4.5 基于BP神经网络推荐的并行性能实验 | 第78页 |
| 6.2 新闻推荐系统测试 | 第78-81页 |
| 6.3 本章小结 | 第81-82页 |
| 总结与展望 | 第82-83页 |
| 参考文献 | 第83-86页 |
| 攻读硕士学位期间取得的研究成果 | 第86-87页 |
| 致谢 | 第87-88页 |
| 附表 | 第88页 |