| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 本文的主要研究内容 | 第14-15页 |
| 1.5 论文结构安排 | 第15页 |
| 1.6 本章小结 | 第15-17页 |
| 第二章 相关研究综述 | 第17-29页 |
| 2.1 信息过滤方法 | 第17-18页 |
| 2.2 文本特征选择方法 | 第18-19页 |
| 2.2.1 卡方检验(Chi-square,CHI) | 第18页 |
| 2.2.2 信息增益(Information Gain,IG) | 第18-19页 |
| 2.2.3 互信息 | 第19页 |
| 2.2.4 词频逆词频(Term Frequency-Inverse Document Frequency, TF-IDF) | 第19页 |
| 2.3 基于内容的推荐系统 | 第19-20页 |
| 2.4 基于协同过滤的推荐系统 | 第20-24页 |
| 2.4.1 引入主题模型的协同过滤推荐系统 | 第20-22页 |
| 2.4.2 引入情感分析的协同过滤推荐系统 | 第22-24页 |
| 2.5 机器学习分类器模型 | 第24-28页 |
| 2.5.1 最近邻居分类器 | 第24页 |
| 2.5.2 支持向量机分类器 | 第24-25页 |
| 2.5.3 决策树分类器 | 第25-26页 |
| 2.5.4 集成学习分类器 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于机器学习的信息过滤系统 | 第29-45页 |
| 3.1 基于机器学习的信息过滤系统流程设计 | 第29-30页 |
| 3.2 方法描述 | 第30-38页 |
| 3.2.1 数据预处理 | 第30-31页 |
| 3.2.2 特征提取 | 第31-35页 |
| 3.2.3 多特征融合 | 第35-36页 |
| 3.2.4 信息过滤算法应用 | 第36-38页 |
| 3.2.5 信息过滤过程 | 第38页 |
| 3.3 实验结果与分析 | 第38-43页 |
| 3.3.1 实验数据及评估指标 | 第38-39页 |
| 3.3.2 参数设计 | 第39-40页 |
| 3.3.3 实验结果分析 | 第40-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 基于机器学习的推荐系统 | 第45-63页 |
| 4.1 基于机器学习的推荐系统流程设计 | 第45页 |
| 4.2 方法描述 | 第45-55页 |
| 4.2.1 数据预处理 | 第45-47页 |
| 4.2.2 提取属性词-情感词对 | 第47-49页 |
| 4.2.3 属性面评分 | 第49-53页 |
| 4.2.4 用户兴趣相似度计算及信息推荐 | 第53-55页 |
| 4.2.5 信息推荐过程 | 第55页 |
| 4.3 实验结果与分析 | 第55-59页 |
| 4.3.1 实验数据及评估指标 | 第55-56页 |
| 4.3.2 参数设计 | 第56-57页 |
| 4.3.3 实验结果分析 | 第57-59页 |
| 4.4 前端系统展示 | 第59-61页 |
| 4.4.1 系统设计目标 | 第59页 |
| 4.4.2 系统整体设计方案 | 第59-60页 |
| 4.4.3 用户界面展示 | 第60-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 论文工作总结 | 第63页 |
| 5.2 工作展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-73页 |
| 作者攻读学位期间发表的学术论文目录 | 第73页 |
