摘要 | 第5-6页 |
ABSTRACT | 第6页 |
第1章 绪论 | 第10-17页 |
1.1 研究背景及意义 | 第10-12页 |
1.1.1 研究背景 | 第10-11页 |
1.1.2 研究意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-15页 |
1.2.1 微博用户兴趣模型的研究现状 | 第12-14页 |
1.2.2 个性化推荐技术的研究现状 | 第14-15页 |
1.3 研究思路与主要内容 | 第15-16页 |
1.3.1 研究思路 | 第15页 |
1.3.2 主要内容 | 第15-16页 |
1.4 论文组织结构 | 第16-17页 |
第2章 用户兴趣建模理论及相关技术综述 | 第17-32页 |
2.1 用户兴趣 | 第17-18页 |
2.1.1 用户兴趣的定义 | 第17页 |
2.1.2 用户兴趣研究的产生及发展 | 第17-18页 |
2.2 用户兴趣模型 | 第18-24页 |
2.2.1 用户兴趣模型的定义 | 第18页 |
2.2.2 用户兴趣模型的构建 | 第18-24页 |
2.3 用户兴趣建模相关技术 | 第24-31页 |
2.3.1 网络爬虫 | 第25-26页 |
2.3.2 正则表达式 | 第26-27页 |
2.3.3 中文文本分词 | 第27-30页 |
2.3.4 停用词过滤 | 第30-31页 |
2.4 本章小结 | 第31-32页 |
第3章 基于LDA模型的微博用户兴趣模型构建 | 第32-52页 |
3.1 微博用户信息特征 | 第32-34页 |
3.1.1 用户基础信息 | 第32-33页 |
3.1.2 用户微博内容信息 | 第33页 |
3.1.3 用户行为信息 | 第33-34页 |
3.2 LDA模型 | 第34-38页 |
3.2.1 LDA模型简介 | 第34-35页 |
3.2.2 LDA模型的三个层次 | 第35-36页 |
3.2.3 LDA模型参数估计和求解 | 第36-37页 |
3.2.4 LDA模型中的Gibbs抽样 | 第37-38页 |
3.3 微博用户兴趣模型的构建 | 第38-44页 |
3.3.1 微博用户兴趣提取 | 第38-39页 |
3.3.2 用户兴趣度计算 | 第39-40页 |
3.3.3 用户兴趣模型更新 | 第40-43页 |
3.3.4 微博用户兴趣模型整体构建 | 第43-44页 |
3.4 实验设计与结果分析 | 第44-51页 |
3.4.1 实验数据 | 第44页 |
3.4.2 实验内容 | 第44-45页 |
3.4.3 实验评价指标 | 第45-46页 |
3.4.4 实验结果及分析 | 第46-51页 |
3.5 本章小结 | 第51-52页 |
第4章 微博个性化推荐在网络商品信息推荐中的应用研究 | 第52-71页 |
4.1 个性化推荐技术概述 | 第52-62页 |
4.1.1 基于协同过滤的推荐技术 | 第52-57页 |
4.1.2 基于关联规则的推荐技术 | 第57-60页 |
4.1.3 基于内容的推荐技术 | 第60-62页 |
4.2 网络商品信息的微博个性化推荐算法 | 第62-67页 |
4.2.1 基于用户兴趣模型的协同过滤推荐算法 | 第62-63页 |
4.2.2 引入商家信用评价的推荐算法改进 | 第63-67页 |
4.3 实验设计与结果分析 | 第67-70页 |
4.3.1 实验数据 | 第67页 |
4.3.2 实验内容 | 第67页 |
4.3.3 实验结果及分析 | 第67-70页 |
4.4 本章小结 | 第70-71页 |
第5章 基于微博的个性化广告推荐系统设计 | 第71-82页 |
5.1 系统概述 | 第71-73页 |
5.1.1 系统开发环境 | 第71-72页 |
5.1.2 系统整体框架设计 | 第72-73页 |
5.2 系统核心功能模块设计 | 第73-80页 |
5.2.1 数据采集模块 | 第73-75页 |
5.2.2 数据预处理模块 | 第75-77页 |
5.2.3 主题模型模块 | 第77-78页 |
5.2.4 个性化推荐模块 | 第78-80页 |
5.3 系统实现与应用 | 第80-81页 |
5.4 本章小结 | 第81-82页 |
第6章 总结与展望 | 第82-84页 |
参考文献 | 第84-89页 |
攻读学位期间公开发表论文 | 第89-90页 |
致谢 | 第90页 |