| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 第2章 个性化推荐技术基础理论 | 第13-19页 |
| 2.1 引言 | 第13页 |
| 2.2 推荐系统原理 | 第13页 |
| 2.3 基于协同过滤的推荐方法 | 第13-14页 |
| 2.4 数据挖掘技术 | 第14-18页 |
| 2.4.1 聚类算法 | 第14-15页 |
| 2.4.2 传统K-means算法 | 第15-16页 |
| 2.4.3 决策树分类 | 第16-17页 |
| 2.4.4 情感分析 | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第3章 基于特色农产品评论的意见挖掘 | 第19-36页 |
| 3.1 引言 | 第19-20页 |
| 3.2 特色农产品评论文本预处理 | 第20-21页 |
| 3.3 特色农产品评论特征提取及权重计算 | 第21-23页 |
| 3.3.1 特色农产品评论特征提取 | 第21-22页 |
| 3.3.2 特色农产品评论特征权重计算 | 第22-23页 |
| 3.4 特色农产品评论文本向量表示 | 第23-24页 |
| 3.5 基于改进K-means算法的评论聚类 | 第24-28页 |
| 3.5.1 改进k-means算法原理 | 第24-25页 |
| 3.5.2 核心树的初始化过程 | 第25页 |
| 3.5.3 特征数据迭代完善核心树 | 第25-26页 |
| 3.5.4 改进的K-means算法增加核心树的鲁棒性 | 第26-27页 |
| 3.5.5 改进效果分析 | 第27-28页 |
| 3.5.6 聚类结果 | 第28页 |
| 3.6 基于HowNet的评论情感分析与评分预测 | 第28-35页 |
| 3.6.1 基于HowNet搭建评论极性词典 | 第28-31页 |
| 3.6.2 评论评价词的情感分析 | 第31-32页 |
| 3.6.3 评分预测 | 第32页 |
| 3.6.4 实验数据与分析 | 第32-35页 |
| 3.7 本章小结 | 第35-36页 |
| 第4章 基于评论的特色农产品推荐 | 第36-44页 |
| 4.1 引言 | 第36页 |
| 4.2 基于评论的特色农产品相似度计算 | 第36-38页 |
| 4.3 基于评论的协同过滤推荐方法 | 第38-39页 |
| 4.4 基于特色农产品评论的个性化推荐系统建模 | 第39-41页 |
| 4.5 实验结果与分析 | 第41-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第5章 系统的设计与实现 | 第44-51页 |
| 5.1 引言 | 第44页 |
| 5.2 系统总体框架 | 第44-45页 |
| 5.3 系统数据库 | 第45-47页 |
| 5.3.1 数据库设计规范 | 第45页 |
| 5.3.2 数据库表 | 第45-47页 |
| 5.4 系统时序图 | 第47-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第6章 结论 | 第51-53页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 附录 | 第57-58页 |
| 致谢 | 第58页 |