基于短文本挖掘的个性化信息推荐算法
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 短文本挖掘 | 第13-14页 |
| 1.2.2 个性化信息推荐 | 第14-16页 |
| 1.3 研究方法与研究内容 | 第16-17页 |
| 1.3.1 研究方法 | 第16页 |
| 1.3.2 研究内容 | 第16-17页 |
| 1.4 论文主要结构 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 2 相关理论 | 第19-29页 |
| 2.1 短文本挖掘 | 第19-25页 |
| 2.1.1 短文本定义 | 第19页 |
| 2.1.2 文本与短文本挖掘内容 | 第19-21页 |
| 2.1.3 短文本特征拓展 | 第21-22页 |
| 2.1.4 主题模型技术 | 第22-23页 |
| 2.1.5 聚类算法概述 | 第23-25页 |
| 2.2 个性化信息推荐 | 第25-27页 |
| 2.2.1 基于内容的信息推荐 | 第25-26页 |
| 2.2.2 基于协同过滤的信息推荐 | 第26-27页 |
| 2.3 社交网络 | 第27-28页 |
| 2.3.1 社交网络定义 | 第27页 |
| 2.3.2 社会网络分析 | 第27-28页 |
| 2.3.3 用户影响力 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 基于用户评价的主题模型构建 | 第29-41页 |
| 3.1 社交平台短文本特点 | 第29页 |
| 3.2 主题挖掘方法 | 第29-33页 |
| 3.3 K-means聚类 | 第33-34页 |
| 3.4 用户评论主题模型UCBTM构建 | 第34-40页 |
| 3.4.1 文本预处理 | 第35页 |
| 3.4.2 文本聚类 | 第35-37页 |
| 3.4.3 UCBTM模型描述 | 第37-39页 |
| 3.4.4 UCBTM模型推导 | 第39-40页 |
| 3.5 评估标准 | 第40页 |
| 3.6 本章小结 | 第40-41页 |
| 4 基于用户关系的微博用户影响力模型构建 | 第41-47页 |
| 4.1 社交平台的用户属性 | 第41页 |
| 4.2 用户关系网络的形成 | 第41-42页 |
| 4.3 微博用户影响力模型构建 | 第42-44页 |
| 4.3.1 模糊综合评价法 | 第42页 |
| 4.3.2 PageRank算法及基本思想 | 第42-43页 |
| 4.3.3 微博用户影响力的影响因素分析 | 第43-44页 |
| 4.4 微博用户影响力算法UserRank设计 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 5 基于短文本挖掘的个性化信息推荐算法设计与应用 | 第47-56页 |
| 5.1 用户个性化推荐算法设计 | 第47页 |
| 5.2 用户个性化算法的应用 | 第47-55页 |
| 5.2.1 数据采集与预处理 | 第47-49页 |
| 5.2.2 文本聚类 | 第49-50页 |
| 5.2.3 UCBTM主题建模与模型对比 | 第50-53页 |
| 5.2.4 用户个性化推荐算法结果与分析 | 第53-55页 |
| 5.3 本章小结 | 第55-56页 |
| 6 结论与展望 | 第56-58页 |
| 6.1 结论 | 第56页 |
| 6.2 不足与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第62-64页 |
| 学位论文数据集 | 第64页 |
