| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-14页 |
| 1.1.1 研究背景 | 第11-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 微博用户标签研究现状 | 第14-15页 |
| 1.2.2 微博推荐技术研究现状 | 第15-17页 |
| 1.3 研究内容 | 第17页 |
| 1.4 论文结构 | 第17-19页 |
| 2 相关理论和技术 | 第19-23页 |
| 2.1 超图模型 | 第19页 |
| 2.2 随机游走模型 | 第19-20页 |
| 2.3 传统文本表示模型 | 第20-23页 |
| 2.3.1 布尔模型 | 第20-21页 |
| 2.3.2 向量空间模型 | 第21-22页 |
| 2.3.3 文本相似度计算方法 | 第22-23页 |
| 3 基于超图随机游走的标签扩充 | 第23-29页 |
| 3.1 加权超图模型的构建 | 第23-26页 |
| 3.1.1 超边加权策略 | 第24-25页 |
| 3.1.2 超点加权策略 | 第25-26页 |
| 3.2 标签扩充方法 | 第26-29页 |
| 4 基于标签概率相关性和用户社会关系的微博推荐 | 第29-36页 |
| 4.1 标签概率相关性构建标签相似度矩阵 | 第29-30页 |
| 4.1.1 标签概率相关性 | 第29-30页 |
| 4.1.2 标签相似性矩阵 | 第30页 |
| 4.2 微博用户兴趣表示 | 第30-33页 |
| 4.2.1 用户标签权重 | 第31-32页 |
| 4.2.2 用户标签矩阵 | 第32-33页 |
| 4.3 用户行为分析和推荐算法 | 第33-36页 |
| 4.3.1 基于共同关注和共同粉丝的用户社交相似度矩阵 | 第33-34页 |
| 4.3.2 矩阵的迭代 | 第34页 |
| 4.3.3 推荐算法描述 | 第34-36页 |
| 5 实验性能与分析 | 第36-46页 |
| 5.1 实验数据集描述及评价指标 | 第36-37页 |
| 5.2 实验结果与相关分析 | 第37-46页 |
| 5.2.1 参数设置对方法性能的影响 | 第37-39页 |
| 5.2.2 不同标签扩充个数对推荐算法的影响 | 第39-40页 |
| 5.2.3 超边和超点加权策略分析 | 第40-41页 |
| 5.2.4 标签扩充前后用户标签详情对比 | 第41-42页 |
| 5.2.5 不同微博算法的性能比较 | 第42-46页 |
| 6 总结与展望 | 第46-48页 |
| 7 参考文献 | 第48-52页 |
| 8 攻读硕士学位期间发表的论文 | 第52-53页 |
| 致谢 | 第53页 |