| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究的目的和意义 | 第9-10页 |
| 1.2 微博概述 | 第10-13页 |
| 1.2.1 微博简介 | 第10-11页 |
| 1.2.2 微博的特点 | 第11页 |
| 1.2.3 微博的发展 | 第11-13页 |
| 1.3 国内外的研究现状 | 第13-15页 |
| 1.3.1 聚类的研究现状 | 第13页 |
| 1.3.2 分类的研究现状 | 第13-14页 |
| 1.3.3 推荐系统的研究现状 | 第14-15页 |
| 1.4 本论文的工作 | 第15-16页 |
| 1.5 论文组织结构 | 第16-17页 |
| 第2章 个性化推荐技术 | 第17-22页 |
| 2.1 个性化推荐概述 | 第17-18页 |
| 2.2 基于内容的推荐 | 第18-19页 |
| 2.3 协同过滤推荐 | 第19-21页 |
| 2.4 基于组合的推荐 | 第21-22页 |
| 第3章 WORD2VEC概述 | 第22-30页 |
| 3.1 词向量 | 第22-23页 |
| 3.2 Word2vec简介 | 第23-30页 |
| 3.2.1 n-gram语言模型 | 第23页 |
| 3.2.2 神经网络语言模型 | 第23-25页 |
| 3.2.3 层次soft-max | 第25-27页 |
| 3.2.4 word2vec | 第27-30页 |
| 第4章 基于WORD2VEC主题提取的微博推荐框架 | 第30-61页 |
| 4.1 概述 | 第30-32页 |
| 4.2 数据预处理 | 第32-34页 |
| 4.2.1 数据清理 | 第33-34页 |
| 4.2.2 去停用词 | 第34页 |
| 4.2.3 分词 | 第34页 |
| 4.3 历史微博主题提取 | 第34-45页 |
| 4.3.1 相似性度量 | 第35-37页 |
| 4.3.2 传统聚类方法 | 第37-40页 |
| 4.3.3 传统算法的问题及改进 | 第40-41页 |
| 4.3.4 基于word2vec聚类的主题提取 | 第41-45页 |
| 4.4 微博信息过滤 | 第45-55页 |
| 4.4.1 相关分类技术 | 第45-49页 |
| 4.4.2 文本表示方式 | 第49-50页 |
| 4.4.3 微博多特征引入 | 第50-54页 |
| 4.4.4 基于多特征的微博信息分类 | 第54-55页 |
| 4.5 基于主题的推荐 | 第55-61页 |
| 4.5.1 传统方法的问题 | 第55页 |
| 4.5.2 基于主题的推荐 | 第55-59页 |
| 4.5.3 推荐效果评价 | 第59-61页 |
| 第5章 实验过程及评估 | 第61-69页 |
| 5.1 实验数据采集与处理 | 第61-63页 |
| 5.2 基于word2vec聚类的实验结果 | 第63-65页 |
| 5.3 微博信息过滤实验结果 | 第65-66页 |
| 5.4 基于主题的推荐的实验结果 | 第66-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |