个性化微博推荐方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景和选题意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 选题意义 | 第11-12页 |
| 1.2 微博个性化推荐系统研究现状 | 第12-14页 |
| 1.2.1 个性化推荐系统 | 第12页 |
| 1.2.2 微博个性化推荐系统 | 第12-14页 |
| 1.3 本文的研究对象和主要工作内容 | 第14-15页 |
| 1.4 论文的结构安排 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 个性化推荐系统及其核心技术 | 第17-23页 |
| 2.1 个性化推荐系统概述 | 第17页 |
| 2.2 个性化推荐系统的相关技术 | 第17-22页 |
| 2.2.1 基于内容的推荐方法 | 第17-19页 |
| 2.2.2 基于协同过滤的推荐方法 | 第19-21页 |
| 2.2.3 复合型推荐方法 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 基于协同排序的微博推荐算法 | 第23-35页 |
| 3.1 微博协同排序方法概述 | 第23-24页 |
| 3.2 数据源分析 | 第24页 |
| 3.3 微博排序优化准则 | 第24-25页 |
| 3.4 基于显性因素的协同排序 | 第25-28页 |
| 3.4.1 用户关系显性因素提取 | 第26页 |
| 3.4.2 用户历史行为显性因素提取 | 第26-27页 |
| 3.4.3 微博内容显性因素提取 | 第27页 |
| 3.4.4 微博发布者权威显性因素提取 | 第27-28页 |
| 3.5 基于隐性因素的协同排序 | 第28-33页 |
| 3.5.1 基于矩阵的隐性因子分解模型 | 第28-31页 |
| 3.5.2 基于张量的隐性因子分解模型 | 第31-33页 |
| 3.6 本章小节 | 第33-35页 |
| 第四章 数据获取与实验评估 | 第35-48页 |
| 4.1 网络爬虫 | 第35-39页 |
| 4.1.1 基于scrapy的并行爬虫设计 | 第35-37页 |
| 4.1.2 微博模拟登录 | 第37-38页 |
| 4.1.3 微博异步数据加载 | 第38页 |
| 4.1.4 快速消重算法 | 第38-39页 |
| 4.2 数据预处理 | 第39-41页 |
| 4.2.1 原始数据集 | 第39-40页 |
| 4.2.2 数据集的划分和预处理 | 第40-41页 |
| 4.3 评价标准 | 第41页 |
| 4.4 方法对比 | 第41-42页 |
| 4.5 实验结果与分析 | 第42-47页 |
| 4.6 参数设置 | 第47页 |
| 4.7 本章小节 | 第47-48页 |
| 第五章 总结与展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 攻读硕士学位期间取得的研究成果 | 第52-53页 |
| 致谢 | 第53-54页 |
| 附件 | 第54页 |
