| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 在线评论的相关研究 | 第11-12页 |
| 1.2.2 推荐算法研究 | 第12-15页 |
| 1.2.3 主题模型研究 | 第15-16页 |
| 1.2.4 文献评述 | 第16-17页 |
| 1.3 本文的主要内容与创新点 | 第17-19页 |
| 1.3.1 主要内容 | 第17-18页 |
| 1.3.2 创新点 | 第18-19页 |
| 第二章 基本理论 | 第19-32页 |
| 2.1 中文分词 | 第19-23页 |
| 2.1.1 基于词典的分词方法 | 第19-21页 |
| 2.1.2 基于统计的分词算法 | 第21-23页 |
| 2.1.3 基于理解的分词算法 | 第23页 |
| 2.2 文本表示 | 第23-24页 |
| 2.2.1 布尔模型 | 第24页 |
| 2.2.2 向量空间模型 | 第24页 |
| 2.3 特征权重 | 第24-25页 |
| 2.4 特征降维 | 第25-28页 |
| 2.4.1 特征选择 | 第25-26页 |
| 2.4.2 特征提取 | 第26-28页 |
| 2.5 推荐算法 | 第28-30页 |
| 2.5.1 基于内容的推荐方法 | 第28-29页 |
| 2.5.2 基于协同过滤的推荐方法 | 第29-30页 |
| 2.6 本章小结 | 第30-32页 |
| 第三章 基于LDA主题模型改进的推荐方法 | 第32-47页 |
| 3.1 整体框架实现 | 第33-34页 |
| 3.2 评论数据获取及预处理 | 第34-38页 |
| 3.2.1 评论数据获取 | 第34-36页 |
| 3.2.2 评论数据预处理 | 第36-38页 |
| 3.3 产品评论挖掘及向量化 | 第38-43页 |
| 3.3.1 文本向量化 | 第39-41页 |
| 3.3.2 特征权重 | 第41-42页 |
| 3.3.3 特征降维 | 第42-43页 |
| 3.4 用户兴趣挖掘 | 第43-44页 |
| 3.5 产品推荐 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 实验与分析 | 第47-57页 |
| 4.1 实验数据 | 第47-48页 |
| 4.2 评价标准 | 第48-50页 |
| 4.2.1 平均绝对误差方法 | 第48-49页 |
| 4.2.2 准确率召回率方法 | 第49-50页 |
| 4.3 实验分析 | 第50-55页 |
| 4.3.1 设置不同主题数时的document-topic概率分布比较 | 第50-53页 |
| 4.3.2 选取不同特征时推荐效果的比较 | 第53-54页 |
| 4.3.3 采用不同特征选择方法时推荐效果的比较 | 第54-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间发表的论文 | 第64-65页 |
| 后记 | 第65页 |