| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 研究目标与全文结构 | 第12-15页 |
| 1.3.1 研究内容 | 第12页 |
| 1.3.2 全文结构 | 第12-15页 |
| 第2章 相关技术概述 | 第15-23页 |
| 2.1 爬虫技术 | 第15-17页 |
| 2.1.1 爬虫原理 | 第15-16页 |
| 2.1.2 微博爬虫 | 第16-17页 |
| 2.2 文本处理 | 第17-19页 |
| 2.2.1 文本预处理 | 第17-18页 |
| 2.2.2 文本表示模型 | 第18页 |
| 2.2.3 特征选择 | 第18-19页 |
| 2.2.4 特征权值的计算方法 | 第19页 |
| 2.3 文本分类 | 第19-21页 |
| 2.3.1 k近邻算法 | 第20页 |
| 2.3.2 支持向量机的分类算法 | 第20-21页 |
| 2.4 本章小结 | 第21-23页 |
| 第3章 基于信任度和局部随机游走的推荐算法 | 第23-33页 |
| 3.1 随机游走模型 | 第23-25页 |
| 3.2 局部随机游走好友推荐算法 | 第25-28页 |
| 3.2.1 LRW Friend算法内容 | 第25-26页 |
| 3.2.2 LRW Friend算法实现 | 第26-28页 |
| 3.3 基于信任度和局部随机游走算法 | 第28-32页 |
| 3.3.1 社交网络信任度 | 第28-29页 |
| 3.3.2 Trust-LRW Friend算法内容 | 第29-31页 |
| 3.3.3 Trust-LRW Friend算法实现 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于时间衰减的兴趣分类好友推荐模型 | 第33-45页 |
| 4.1 模型整体框架 | 第33-34页 |
| 4.2 数据整理 | 第34-35页 |
| 4.2.1 文本预处理 | 第34页 |
| 4.2.2 特征选择 | 第34-35页 |
| 4.2.3 兴趣分类 | 第35页 |
| 4.3 基于时间衰减的兴趣分类好友推荐算法 | 第35-38页 |
| 4.3.1 时间衰减模型 | 第36页 |
| 4.3.2 TDIC Friend算法内容 | 第36-38页 |
| 4.3.3 TDIC Friend算法实现 | 第38页 |
| 4.4 实验及结果分析 | 第38-44页 |
| 4.4.1 实验设置 | 第38-39页 |
| 4.4.2 评价指标 | 第39页 |
| 4.4.3 实验数据处理过程 | 第39-42页 |
| 4.4.4 实验结果分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 实时推荐系统的设计与实现 | 第45-71页 |
| 5.1 需求分析 | 第45-47页 |
| 5.1.1 用户特点描述 | 第45-46页 |
| 5.1.2 系统设计目标 | 第46页 |
| 5.1.3 系统的功能需求 | 第46-47页 |
| 5.2 系统架构设计 | 第47-50页 |
| 5.2.1 数据获取子系统 | 第48页 |
| 5.2.2 数据分析子系统 | 第48-49页 |
| 5.2.3 数据展示子系统 | 第49-50页 |
| 5.3 系统数据库设计 | 第50-52页 |
| 5.4 系统详细设计 | 第52-65页 |
| 5.4.1 数据获取子系统实现 | 第52-55页 |
| 5.4.2 数据分析子系统实现 | 第55-60页 |
| 5.4.3 数据展示子系统实现 | 第60-65页 |
| 5.5 系统展示 | 第65-69页 |
| 5.6 本章小结 | 第69-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-79页 |
| 致谢 | 第79页 |