| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 关于在推荐系统中引入主题模型的研究 | 第9-10页 |
| 1.2 主题模型的研究现状与进展 | 第10-13页 |
| 1.3 本文的组织结构 | 第13页 |
| 1.4 本文的主要工作和创新点 | 第13-15页 |
| 第二章 主题模型的发展与相关技术 | 第15-33页 |
| 2.1 主题模型的基础知识 | 第15-22页 |
| 2.1.1 贝叶斯统计 | 第15-16页 |
| 2.1.2 统计语言模型 | 第16-18页 |
| 2.1.3 贝叶斯网络图 | 第18-20页 |
| 2.1.4 多项分布与狄利克雷分布 | 第20-22页 |
| 2.2 LDA模型与模型求解算法介绍 | 第22-32页 |
| 2.2.1 基本LDA模型 | 第23-27页 |
| 2.2.2 EM算法 | 第27-28页 |
| 2.2.3 Gibbs Sampling采样算法 | 第28-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 基于主题模型的用户兴趣模型 | 第33-55页 |
| 3.1 基于用户视角的主题模型建模方法 | 第33-50页 |
| 3.1.1 基础主题模型 | 第33-36页 |
| 3.1.2 用户视角主题模型 | 第36-42页 |
| 3.1.3 微博主题模型 | 第42-46页 |
| 3.1.4 模型性能测试 | 第46-50页 |
| 3.2 用户兴趣模型 | 第50-54页 |
| 3.2.1 用户兴趣模型 | 第50-52页 |
| 3.2.2 基于用户视角的主题模型构建用户兴趣模型 | 第52-54页 |
| 3.3 本章小结 | 第54-55页 |
| 第四章 基于用户兴趣模型的推荐算法实现 | 第55-68页 |
| 4.0 基于用户兴趣模型的用户相似度计算 | 第55-57页 |
| 4.1 基于用户兴趣特征的推荐算法 | 第57-60页 |
| 4.1.1 相似度算法 | 第57-58页 |
| 4.1.2 用户主题特征推荐算法实验 | 第58-60页 |
| 4.2 基于兴趣模型的文本特征提取 | 第60-62页 |
| 4.2.1 文本的关键词提取 | 第60-61页 |
| 4.2.2 文本的主题分布计算 | 第61-62页 |
| 4.3 基于用户兴趣及关键词的混合推荐 | 第62-67页 |
| 4.3.1 基于用户兴趣以及关键词的混合推荐模型 | 第62-63页 |
| 4.3.2 关键词序列与用户兴趣特征的加权算法 | 第63-64页 |
| 4.3.3 混合推荐算法实验 | 第64-67页 |
| 4.3.3.1 用户兴趣模型评估 | 第65-66页 |
| 4.3.3.2 混合推荐算法推荐能力评估 | 第66-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 全文总结 | 第68页 |
| 5.2 未来展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-77页 |