| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-17页 |
| 1.1 课题的背景、目的和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 个性化新闻推荐的研究现状 | 第9-12页 |
| 1.2.2 受限玻尔兹曼机(RBM)的研究现状 | 第12-13页 |
| 1.2.3 基于RBM的协同过滤的研究现状 | 第13-14页 |
| 1.2.4 文献评述 | 第14页 |
| 1.3 论文的内容、研究方法及组织结构 | 第14-15页 |
| 1.3.1 论文内容 | 第14-15页 |
| 1.3.2 论文研究方法 | 第15页 |
| 1.3.3 论文组织结构 | 第15页 |
| 1.4 论文创新点 | 第15-17页 |
| 2 理论基础与关键技术 | 第17-31页 |
| 2.1 word2vec概述 | 第17-21页 |
| 2.1.1 统计语言模型 | 第17页 |
| 2.1.2 词向量 | 第17-18页 |
| 2.1.3 神经网络语言模型 | 第18-19页 |
| 2.1.4 log双线性语言模型 | 第19-20页 |
| 2.1.5 word2vec | 第20-21页 |
| 2.2 LDA主题模型 | 第21-23页 |
| 2.3 lda2vec | 第23-25页 |
| 2.4 RBM模型 | 第25-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 基于Ida2vec和RBM的个性化新闻推荐模型 | 第31-45页 |
| 3.1 基于Ida2vec和RBM的个性化新闻推荐模型框架 | 第31-32页 |
| 3.2 数据预处理 | 第32-33页 |
| 3.2.1 数据转换模块 | 第32页 |
| 3.2.2 数据清洗模块 | 第32-33页 |
| 3.2.3 文本过滤算法模块 | 第33页 |
| 3.3 基于Ida2vec的主题提取 | 第33-39页 |
| 3.3.1 相似性度量 | 第33-34页 |
| 3.3.2 聚类 | 第34-36页 |
| 3.3.3 基于Ida2vec聚类的主题提取 | 第36-39页 |
| 3.4 基于条件RBM的推荐 | 第39-43页 |
| 3.4.1 隐式获取用户偏好 | 第39-41页 |
| 3.4.2 条件RBM推荐 | 第41-43页 |
| 3.4.3 评分预测 | 第43页 |
| 3.5 本章小结 | 第43-45页 |
| 4 实验与结果分析 | 第45-57页 |
| 4.1 实验数据 | 第45页 |
| 4.2 数据预处理 | 第45-47页 |
| 4.2.1 表数据整理 | 第45页 |
| 4.2.2 分词 | 第45-47页 |
| 4.3 实验过程 | 第47-51页 |
| 4.3.1 基于LDA的主题聚类 | 第47页 |
| 4.3.2 提取新闻主题 | 第47-49页 |
| 4.3.3 基于RBM的推荐 | 第49-51页 |
| 4.4 实验评价 | 第51-56页 |
| 4.4.1 主题提取效果评价 | 第51-53页 |
| 4.4.2 推荐效果评价 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 5 结论与展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |