社交网络中基于机器学习的资源推荐方法研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-14页 |
| 1.1 课题研究的背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文主要工作 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第二章 相关理论基础 | 第14-26页 |
| 2.1 自然语言处理 | 第14-19页 |
| 2.1.1 自然语言处理概述 | 第14页 |
| 2.1.2 特征提取工程 | 第14-15页 |
| 2.1.3 Word2vec | 第15-19页 |
| 2.1.3.1 CBOW | 第16-17页 |
| 2.1.3.2 Skip-Gram | 第17-19页 |
| 2.2 机器学习 | 第19-23页 |
| 2.2.1 朴素贝叶斯分类器 | 第20-22页 |
| 2.2.2 聚类分析 | 第22-23页 |
| 2.2.3 马尔科夫过程 | 第23页 |
| 2.3 推荐系统 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 数据预处理与特征提取 | 第26-33页 |
| 3.1 基本数据预处理 | 第26-31页 |
| 3.1.1 数据描述 | 第26-27页 |
| 3.1.2 微博文本分词 | 第27-29页 |
| 3.1.3 提取基础特征关键字 | 第29-31页 |
| 3.2 生成用户特征向量 | 第31-32页 |
| 3.2.1 用户关键字词频向量 | 第31-32页 |
| 3.2.2 用户词序列 | 第32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 社交网络中基于机器学习的推荐方法 | 第33-48页 |
| 4.1 用户聚类 | 第33-36页 |
| 4.1.1 基于分词的Word2vec聚类方法 | 第34-35页 |
| 4.1.2 基于词序列的Word2vec聚类方法 | 第35-36页 |
| 4.2 多兴趣预测 | 第36-42页 |
| 4.2.1 单Markov链模型介绍 | 第36-38页 |
| 4.2.2 用户多Markov链多兴趣预测模型 | 第38-42页 |
| 4.3 用户兴趣推荐 | 第42-47页 |
| 4.3.1 通过用户聚类更新评分矩阵 | 第43-44页 |
| 4.3.2 构建预测项目评分矩阵 | 第44-45页 |
| 4.3.3 根据评分矩阵进行推荐 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 实验分析 | 第48-62页 |
| 5.1 实验环境与数据 | 第48-49页 |
| 5.1.1 实验平台 | 第48页 |
| 5.1.2 实验数据集 | 第48-49页 |
| 5.2 实验分析 | 第49-61页 |
| 5.2.1 用户聚类 | 第49-54页 |
| 5.2.2 多兴趣预测 | 第54-56页 |
| 5.2.3 用户兴趣推荐 | 第56-61页 |
| 5.3 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 论文工作总结 | 第62页 |
| 未来工作展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 个人简历 | 第68-69页 |
| 在学期间的研究成果及发表的学术论文 | 第69页 |
