基于浏览记录的文本挖掘与智能推荐研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状与应用趋势 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状与技术应用 | 第13-14页 |
| 1.3 研究目的与研究内容 | 第14-16页 |
| 1.3.1 研究目的 | 第14页 |
| 1.3.2 研究内容 | 第14-15页 |
| 1.3.3 论文组织结构 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 基础理论与技术方法 | 第17-29页 |
| 2.1 基础理论 | 第17-19页 |
| 2.1.1 文本语料库 | 第17页 |
| 2.1.2 数据预处理 | 第17-18页 |
| 2.1.3 文本特征提取 | 第18-19页 |
| 2.2 技术方法 | 第19-28页 |
| 2.2.1 中文分词 | 第19-21页 |
| 2.2.2 文本特征选择与计算 | 第21-24页 |
| 2.2.3 神经网络语言模型 | 第24-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 语义感知池化的CNN文本模型 | 第29-43页 |
| 3.1 卷积神经网络文本模型 | 第29-32页 |
| 3.2 语义感知处理 | 第32-36页 |
| 3.3 语义感知池化 | 第36-37页 |
| 3.4 文本模型实验 | 第37-42页 |
| 3.4.1 文本相似度实验 | 第37-39页 |
| 3.4.2 文本语义分析实验 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 Web文本相似度计算与推荐 | 第43-57页 |
| 4.1 Web文本相似度计算 | 第43-45页 |
| 4.1.1 段落相似度计算 | 第43-44页 |
| 4.1.2 长文本相似度计算 | 第44-45页 |
| 4.2 Web文本推荐算法 | 第45-53页 |
| 4.2.1 获取候选文本集 | 第46-49页 |
| 4.2.2 用户兴趣模型 | 第49-51页 |
| 4.2.3 Web文本推荐 | 第51-53页 |
| 4.3 文本推荐实验与分析 | 第53-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第五章 智能推荐工具设计与实现 | 第57-65页 |
| 5.1 深度学习框架 | 第57-58页 |
| 5.2 智能推荐工具设计 | 第58-59页 |
| 5.3 智能推荐工具实现 | 第59-62页 |
| 5.4 智能推荐工具部署与测试 | 第62-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 本文总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |
