基于用户行为的社交电视推荐算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.4 论文组织结构 | 第12-15页 |
| 第二章 相关研究综述 | 第15-25页 |
| 2.1 社交用户信息概述 | 第15-17页 |
| 2.1.1 用户属性信息 | 第15-16页 |
| 2.1.2 用户社交信息 | 第16-17页 |
| 2.1.3 用户关系信息 | 第17页 |
| 2.2 基于社交用户行为的推荐算法 | 第17-21页 |
| 2.2.1 基于用户信息的推荐算法 | 第18-19页 |
| 2.2.2 基于社交文本的推荐算法 | 第19-20页 |
| 2.2.3 基于社交关系的推荐算法 | 第20-21页 |
| 2.3 推荐效果的评测方法 | 第21-23页 |
| 2.3.1 预测准确度 | 第21-22页 |
| 2.3.2 分类准确度 | 第22-23页 |
| 2.3.3 排序准确度 | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 基于社交与标签的隐式反馈推荐 | 第25-39页 |
| 3.1 算法整体设计 | 第25-26页 |
| 3.2 社交文本情感分析 | 第26-29页 |
| 3.2.1 情感词典构建 | 第26-27页 |
| 3.2.2 改进的情感算法 | 第27-29页 |
| 3.3 隐式标签挖掘 | 第29-31页 |
| 3.3.1 标签规范化 | 第29-30页 |
| 3.3.2 加权语义相似度 | 第30-31页 |
| 3.4 算法实现与结果分析 | 第31-37页 |
| 3.4.1 PMF算法 | 第32-33页 |
| 3.4.2 数据集描述 | 第33页 |
| 3.4.3 数据处理 | 第33-34页 |
| 3.4.4 结果分析 | 第34-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第四章 结合主题模型的社交电视推荐算法 | 第39-47页 |
| 4.1 算法整体设计 | 第39页 |
| 4.2 LDA主题模型 | 第39-41页 |
| 4.3 结合主题模型的社交电视推荐算法 | 第41-43页 |
| 4.3.1 用户特征偏好 | 第41-42页 |
| 4.3.2 特征分类情感 | 第42-43页 |
| 4.4 算法实现与结果分析 | 第43-45页 |
| 4.4.1 数据集描述 | 第43-44页 |
| 4.4.2 结果分析 | 第44-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第五章 社交电视推荐系统的开发与实现 | 第47-63页 |
| 5.1 系统架构设计 | 第47-48页 |
| 5.2 系统开发环境 | 第48-49页 |
| 5.3 数据构建模块 | 第49-54页 |
| 5.3.1 Scrapy框架概述 | 第49-50页 |
| 5.3.2 爬虫流程 | 第50-53页 |
| 5.3.3 数据预处理 | 第53-54页 |
| 5.4 后台管理模块 | 第54-57页 |
| 5.4.1 Django概述 | 第54页 |
| 5.4.2 数据库设计 | 第54-55页 |
| 5.4.3 后台实现 | 第55-57页 |
| 5.5 推荐算法模块 | 第57-60页 |
| 5.6 用户交互模块 | 第60-61页 |
| 5.7 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 附录1 论文使用缩写说明 | 第71-73页 |
| 致谢 | 第73-75页 |
| 攻读学位期间发表或已录用的学术论文 | 第75页 |
