| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-17页 |
| 1.1.1 研究背景 | 第15-16页 |
| 1.1.2 问题提出 | 第16页 |
| 1.1.3 研究意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-21页 |
| 1.2.1 主题模型 | 第17-18页 |
| 1.2.2 影响力研究现状 | 第18-19页 |
| 1.2.3 推荐方法的研究现状 | 第19-21页 |
| 1.3 主要研究内容 | 第21页 |
| 1.4 论文组织结构 | 第21-23页 |
| 第2章 基于影响力推荐的相关技术 | 第23-30页 |
| 2.1 微博简介 | 第23页 |
| 2.2 LDA主题模型 | 第23-24页 |
| 2.3 PageRank算法 | 第24-26页 |
| 2.4 聚类算法 | 第26-29页 |
| 2.4.1 聚类算法的分类 | 第26-28页 |
| 2.4.2 文本聚类 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 微博用户的划分 | 第30-42页 |
| 3.1 引言 | 第30-31页 |
| 3.2 基于聚类算法的微博用户划分 | 第31-33页 |
| 3.2.1 k-means算法 | 第31页 |
| 3.2.2 约束聚类 | 第31-33页 |
| 3.3 基于约束k-means的微博用户群体划分 | 第33-35页 |
| 3.3.1 约束策略 | 第33-35页 |
| 3.4 实验分析 | 第35-41页 |
| 3.4.1 实验环境 | 第36页 |
| 3.4.2 实验数据获取 | 第36-38页 |
| 3.4.3 数据预处理 | 第38页 |
| 3.4.4 实验评价标准 | 第38页 |
| 3.4.5 实验结果及分析 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于影响力的微博推荐 | 第42-52页 |
| 4.1 引言 | 第42-43页 |
| 4.2 基于主题的微博用户影响力 | 第43-46页 |
| 4.2.1 TwitterRank算法 | 第43-44页 |
| 4.2.2 融合用户群体的TwitterRank算法 | 第44-46页 |
| 4.3 基于影响力的微博推荐 | 第46页 |
| 4.4 实验分析 | 第46-51页 |
| 4.4.1 实验环境 | 第47页 |
| 4.4.2 实验数据 | 第47页 |
| 4.4.3 实验评价指标 | 第47-48页 |
| 4.4.4 实验结果分析 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 微博推荐算法的应用与分析 | 第52-61页 |
| 5.1 推荐实验的准备 | 第52页 |
| 5.1.1 实验环境 | 第52页 |
| 5.1.2 数据采集与预处理 | 第52页 |
| 5.2 实验设计与分析 | 第52-55页 |
| 5.2.1 实验评价标准 | 第52-53页 |
| 5.2.2 实验设计 | 第53页 |
| 5.2.3 实验结果分析 | 第53-55页 |
| 5.3 推荐系统实现 | 第55-60页 |
| 5.3.1 系统架构 | 第55-56页 |
| 5.3.2 基本功能实现 | 第56-59页 |
| 5.3.3 具体实现流程 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文 | 第67-69页 |
| 致谢 | 第69页 |