| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-12页 |
| 1.1 研究背景 | 第6-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 本文主要工作 | 第9-12页 |
| 第二章 本文相关工作 | 第12-27页 |
| 2.1 推荐系统 | 第12页 |
| 2.2 协同过滤算法 | 第12-15页 |
| 2.2.1 基于用户的协同过滤算法 | 第13-14页 |
| 2.2.2 基于项目的协同过滤算法 | 第14-15页 |
| 2.3 基于内容的推荐算法 | 第15页 |
| 2.4 语言模型 | 第15-21页 |
| 2.4.1 一元模型 | 第16-17页 |
| 2.4.2 一元混合模型 | 第17页 |
| 2.4.3 概率潜在语义索引 | 第17-18页 |
| 2.4.4 潜在狄利克雷分布 | 第18-21页 |
| 2.5 基于时间线的主题热度计算 | 第21-22页 |
| 2.6 Hadoop分布式平台 | 第22-27页 |
| 2.6.1 云计算 | 第22-23页 |
| 2.6.2 Hadoop简介 | 第23-27页 |
| 第三章 基于C-LDA算法的微博建模 | 第27-38页 |
| 3.1 基于LDA算法的微博建模 | 第27-28页 |
| 3.2 C-LDA模型 | 第28-29页 |
| 3.3 改进吉布斯采样近似求解C-LDA模型 | 第29-38页 |
| 3.3.1 基于时间线的词汇热度计算模型 | 第29-30页 |
| 3.3.2 基于Hadoop平台分布式处理词汇热度算法 | 第30-31页 |
| 3.3.3 基于词汇热度的特征词加权 | 第31-32页 |
| 3.3.4 微博负样本对用户兴趣的影响 | 第32-33页 |
| 3.3.5 基于遗忘曲线的微博权重 | 第33-34页 |
| 3.3.6 关注者与原创作者对于用户的影响 | 第34-35页 |
| 3.3.7 基于Hadoop平台分布式处理吉布斯采样算法 | 第35-37页 |
| 3.3.8 Top-K推荐算法 | 第37-38页 |
| 第四章 实验 | 第38-44页 |
| 4.1 实验环境 | 第38页 |
| 4.2 LDA模型对比 | 第38-39页 |
| 4.3 推荐效果对比 | 第39-41页 |
| 4.4 推荐整体效果 | 第41-43页 |
| 4.5 集群时间复杂度实验结果 | 第43-44页 |
| 第五章 总结与展望 | 第44-46页 |
| 5.1 本文工作总结 | 第44-45页 |
| 5.2 未来工作展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 攻读学位期间发表的学术论文 | 第50-51页 |
| 致谢 | 第51-52页 |