基于用户行为的个性化新闻推荐系统研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 个性化新闻推荐的国内外研究历史与现状 | 第11-13页 |
| 1.3 本文的主要贡献与创新 | 第13-14页 |
| 1.4 本论文的结构安排 | 第14-16页 |
| 第二章 个性化推荐技术综述及马尔可夫模型 | 第16-26页 |
| 2.1 个性化推荐技术概述 | 第16-23页 |
| 2.1.1 协同过滤推荐算法 | 第17-19页 |
| 2.1.2 基于内容的推荐算法 | 第19-21页 |
| 2.1.3 混合推荐算法 | 第21-22页 |
| 2.1.4 基于关联规则的推荐算法 | 第22-23页 |
| 2.2 马尔可夫模型 | 第23-24页 |
| 2.2.1 马尔可夫模型简介 | 第23-24页 |
| 2.2.2 隐马尔可夫模型 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 一种基于行为-主题相似度的推荐算法研究 | 第26-42页 |
| 3.1 引言 | 第26-27页 |
| 3.2 协同行为新闻推荐中存在的问题 | 第27-28页 |
| 3.3 一种基于行为-主题相似度的推荐算法 | 第28-41页 |
| 3.3.1 LDA主题模型建立 | 第29页 |
| 3.3.2 建立新闻模型和用户模型 | 第29-31页 |
| 3.3.3 计算新闻相似度和用户相似度 | 第31-33页 |
| 3.3.4 产生推荐 | 第33-34页 |
| 3.3.5 实验设计 | 第34-35页 |
| 3.3.6 实验结果及分析 | 第35-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 一种基于隐马尔可夫模型的推荐算法研究 | 第42-56页 |
| 4.1 引言 | 第42-43页 |
| 4.2 基于用户行为-主题的推荐算法存在的问题 | 第43-44页 |
| 4.3 一种基于隐马尔可夫模型的推荐算法 | 第44-51页 |
| 4.3.1 算法简介 | 第44-45页 |
| 4.3.2 模型建立 | 第45-49页 |
| 4.3.3 实验设计 | 第49页 |
| 4.3.4 实验结果及分析 | 第49-51页 |
| 4.4 算法改进 | 第51-54页 |
| 4.4.1 k-means聚类算法简介 | 第52页 |
| 4.4.2 算法改进及结果 | 第52-54页 |
| 4.4.3 算法对比 | 第54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 个性化新闻推荐系统设计及实现 | 第56-65页 |
| 5.1 系统需求分析 | 第56-57页 |
| 5.2 系统架构设计 | 第57-59页 |
| 5.2.1 系统总体架构 | 第57页 |
| 5.2.2 系统流程架构 | 第57-58页 |
| 5.2.3 系统存储架构 | 第58-59页 |
| 5.3 核心模块设计 | 第59-62页 |
| 5.3.1 数据采集模型 | 第59-60页 |
| 5.3.2 用户模型 | 第60页 |
| 5.3.3 状态转移概率计算模块 | 第60-61页 |
| 5.3.4 隐马尔可夫状态转移矩阵模块 | 第61页 |
| 5.3.5 新闻推荐模块 | 第61-62页 |
| 5.4 结果展示 | 第62-63页 |
| 5.5 本章小结 | 第63-65页 |
| 第六章 全文总结与展望 | 第65-67页 |
| 6.1 全文总结 | 第65-66页 |
| 6.2 后续工作展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间取得的成果 | 第72-73页 |
