| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题来源及研究的目的和意义 | 第9-10页 |
| 1.2 国内外相关研究 | 第10-13页 |
| 1.3 本文的研究内容 | 第13-15页 |
| 1.3.1 个性化的微博内容推荐 | 第13-14页 |
| 1.3.2 个性化的微博好友推荐 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 基于微博的个性化内容推荐方法研究 | 第16-30页 |
| 2.1 引言 | 第16-17页 |
| 2.2 微博信息推荐数据集合 | 第17-18页 |
| 2.3 微博信息推荐模型方法 | 第18-21页 |
| 2.4 微博信息推荐特征分析 | 第21-23页 |
| 2.5 微博信息推荐模型的训练 | 第23-24页 |
| 2.6 实验与结果分析 | 第24-29页 |
| 2.6.1 评价方法 | 第24页 |
| 2.6.2 Baseline 模型 | 第24-25页 |
| 2.6.3 性能指标分析 | 第25-26页 |
| 2.6.4 特征选择分析 | 第26-27页 |
| 2.6.5 Profile 和训练数据集合大小的影响 | 第27-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第3章 基于协同过滤的微博人物推荐方法研究 | 第30-46页 |
| 3.1 引言 | 第30页 |
| 3.2 微博人物推荐的数据集合 | 第30-32页 |
| 3.3 基于协同过滤的微博任务推荐方法 | 第32-41页 |
| 3.3.1 基于近邻的协同过滤推荐方法 | 第33-37页 |
| 3.3.2 基于矩阵分解的协同过滤推荐方法 | 第37-41页 |
| 3.4 实验及结果分析 | 第41-45页 |
| 3.4.1 实验结果评价 | 第41页 |
| 3.4.2 基于近邻的推荐性能指标分析 | 第41-43页 |
| 3.4.3 基于矩阵分解的推荐性能指标分析 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于多特征融合的微博人物推荐方法研究 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 多特征分析 | 第46-52页 |
| 4.2.1 启发式方法 | 第47-49页 |
| 4.2.2 链接预测方法 | 第49-50页 |
| 4.2.3 主题模型方法 | 第50-52页 |
| 4.3 基于 Gradient Boosting 的多特征融合 | 第52-54页 |
| 4.4 实验结果及分析 | 第54-57页 |
| 4.4.1 实验数据以及评价算法 | 第54-55页 |
| 4.4.2 实验结果以及分析 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65页 |