基于内容特征提取的兴趣建模
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 用户兴趣模型表示方法 | 第10-11页 |
| 1.2.2 用户兴趣建模相关技术 | 第11页 |
| 1.3 本文研究内容和意义 | 第11-12页 |
| 1.4 本文结构安排 | 第12-15页 |
| 第二章 用户兴趣模型相关理论概述 | 第15-23页 |
| 2.1 文本的表示、特征提取与计算 | 第15-19页 |
| 2.1.1 文本内容的表示 | 第15-16页 |
| 2.1.2 文本特征选择 | 第16-17页 |
| 2.1.3 文本相似度计算 | 第17-18页 |
| 2.1.4 聚类技术 | 第18-19页 |
| 2.2 词表示相关理论技术 | 第19-21页 |
| 2.2.1 词向量 | 第19页 |
| 2.2.2 神经网络语言模型 | 第19-21页 |
| 2.3 个性化推荐系统概述 | 第21-23页 |
| 2.3.1 推荐系统建模数据分类 | 第21页 |
| 2.3.2 用户行为分析 | 第21-22页 |
| 2.3.3 常用算法 | 第22-23页 |
| 第三章 主题词列表模型和向量空间模型 | 第23-35页 |
| 3.1 实验数据采集与预处理 | 第23-25页 |
| 3.2 基于主题词列表的表示方法 | 第25-29页 |
| 3.2.1 多标签分类 | 第26-27页 |
| 3.2.2 权重排序 | 第27-28页 |
| 3.2.3 实验结果展示与分析 | 第28-29页 |
| 3.3 基于向量空间模型的表示方法 | 第29-35页 |
| 3.3.1 标引项选取 | 第29-31页 |
| 3.3.2 TF-IDF模型建模 | 第31页 |
| 3.3.3 实验结果展示和分析 | 第31-35页 |
| 第四章 基于评论属性词提取的用户兴趣建模 | 第35-47页 |
| 4.1 属性提取相关理论介绍 | 第35-36页 |
| 4.2 Word2vec工具介绍 | 第36-38页 |
| 4.2.1 CBOW | 第36-37页 |
| 4.2.2 Skip-Gram | 第37-38页 |
| 4.3 电影评论属性词提取及兴趣建模 | 第38-45页 |
| 4.3.1 属性词提取算法框架 | 第38页 |
| 4.3.2 属性类别定义及种子词设定 | 第38-40页 |
| 4.3.3 用户兴趣表示 | 第40-41页 |
| 4.3.4 项目兴趣表示 | 第41-45页 |
| 4.4 实验结果展示与分析 | 第45-47页 |
| 第五章 基于句向量的用户兴趣建模 | 第47-53页 |
| 5.1 改进算法的理论基础 | 第47-48页 |
| 5.2 篇章级向量的训练 | 第48-49页 |
| 5.3 实验结果展示与分析 | 第49-53页 |
| 第六章 基于用户社交信息的实时个性化视频推荐系统 | 第53-61页 |
| 6.1 个性化视频推荐系统介绍 | 第53-54页 |
| 6.2 用户兴趣模型的应用 | 第54-56页 |
| 6.2.1 用户兴趣模型在推荐系统中的应用 | 第55页 |
| 6.2.2 随时间衰减的短期用户兴趣模型 | 第55-56页 |
| 6.3 基于不同兴趣模型的推荐算法及融合 | 第56-59页 |
| 6.3.1 基于文本(图像)检索的视频推荐 | 第56-57页 |
| 6.3.2 基于用户兴趣模型的视频推荐 | 第57页 |
| 6.3.3 基于用户社交关系的视频推荐 | 第57页 |
| 6.3.4 基于用户历史行为的视频推荐 | 第57-58页 |
| 6.3.5 基于热点话题的视频推荐 | 第58页 |
| 6.3.6 推荐算法的融合 | 第58-59页 |
| 6.4 个性化视频推荐系统展示 | 第59-61页 |
| 第七章 总结与展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间发表的学术论文目录 | 第66页 |
