微博媒体的信息推荐方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 本文研究背景 | 第9-10页 |
| 1.2 本文研究目的和意义 | 第10-12页 |
| 1.3 国内外相关研究现状 | 第12-18页 |
| 1.3.1 推荐系统的研究方法 | 第12-15页 |
| 1.3.2 社交媒体相关推荐技术 | 第15-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 第2章 微博数据及其扩展方法 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 微博数据获取 | 第19-21页 |
| 2.2.1 数据获取方法 | 第19-20页 |
| 2.2.2 微博数据集 | 第20-21页 |
| 2.3 微博数据扩展方法 | 第21-25页 |
| 2.3.1 数据稀疏问题 | 第21-22页 |
| 2.3.2 数据扩展方法 | 第22-25页 |
| 2.4 实验设计及结果分析 | 第25-28页 |
| 2.4.1 实验设计 | 第25-27页 |
| 2.4.2 实验结果及分析 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于LR和SVM的新闻推荐方法 | 第29-42页 |
| 3.1 引言 | 第29页 |
| 3.2 LDA模型 | 第29-30页 |
| 3.3 基于逻辑斯谛回归的新闻推荐 | 第30-37页 |
| 3.3.1 逻辑斯谛回归模型 | 第30-31页 |
| 3.3.2 新闻推荐方法 | 第31-32页 |
| 3.3.3 实验设计及结果分析 | 第32-37页 |
| 3.4 基于支持向量机模型的新闻推荐 | 第37-41页 |
| 3.4.1 支持向量机 | 第37-38页 |
| 3.4.2 实验设计及结果分析 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于排序学习的新闻推荐 | 第42-54页 |
| 4.1 引言 | 第42页 |
| 4.2 基于排序学习的新闻推荐 | 第42-46页 |
| 4.2.1 排序学习 | 第42-43页 |
| 4.2.2 基于贝叶斯优化准则的推荐方法 | 第43-44页 |
| 4.2.3 基于Rank SVM的推荐方法 | 第44-46页 |
| 4.3 用户兴趣动态性 | 第46-48页 |
| 4.3.1 问题分析 | 第46-47页 |
| 4.3.2 改进方法 | 第47-48页 |
| 4.4 推荐新颖性和多样性 | 第48-50页 |
| 4.4.1 问题分析 | 第48页 |
| 4.4.2 改进方法 | 第48-50页 |
| 4.5 实验设计及结果分析 | 第50-52页 |
| 4.6 本章小结 | 第52-54页 |
| 第5章 微博信息流排序方法 | 第54-66页 |
| 5.1 引言 | 第54页 |
| 5.2 考虑综合因素的微博信息流排序方法 | 第54-61页 |
| 5.2.1 用户及信息流特点分析 | 第54-56页 |
| 5.2.2 特征描述与度量 | 第56-58页 |
| 5.2.3 个性化排序方法 | 第58-61页 |
| 5.3 实验设计及结果分析 | 第61-65页 |
| 5.3.1 实验数据 | 第61页 |
| 5.3.2 实验结果及分析 | 第61-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73页 |
