基于信息内容和用户关系的用户兴趣分类
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 用户兴趣研究现状 | 第10-11页 |
| 1.2.2 微博用户兴趣分类研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 相关理论与技术 | 第15-27页 |
| 2.1 数据爬取相关技术 | 第15-21页 |
| 2.1.1 微博内容的爬取 | 第16-17页 |
| 2.1.2 关注者列表的爬取 | 第17-21页 |
| 2.2 中文分词工具 | 第21页 |
| 2.3 文本分类相关理论 | 第21-24页 |
| 2.3.1 典型分类算法 | 第21-23页 |
| 2.3.2 SVM二分类算法 | 第23-24页 |
| 2.4 LDA模型简介 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 微博的语料特征与用户关系特征 | 第27-33页 |
| 3.1 微博语料特征概述 | 第27-28页 |
| 3.2 用户关系特征概述 | 第28-30页 |
| 3.3 用户兴趣分类特征选择 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 用户兴趣分类模型的构建 | 第33-44页 |
| 4.1 语料预处理 | 第34-35页 |
| 4.2 基于用户微博内容的兴趣分类 | 第35-40页 |
| 4.2.1 LDA模型前期准备 | 第35-37页 |
| 4.2.2 基于Gibbs抽样进行参数估计 | 第37页 |
| 4.2.3 利用LDA生成主题模型 | 第37-39页 |
| 4.2.4 基于主题模型进行用户兴趣分类 | 第39-40页 |
| 4.3 基于用户关注关系的兴趣分类 | 第40-41页 |
| 4.4 综合用户微博内容与关注关系的用户兴趣分类 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 微博用户兴趣特征分析 | 第44-57页 |
| 5.1 分类器性能测试 | 第44-52页 |
| 5.1.1 评价指标 | 第44-45页 |
| 5.1.2 实验结果与分析 | 第45-49页 |
| 5.1.3 用户兴趣类别特征分析 | 第49-52页 |
| 5.2 用户基本信息特征分析 | 第52-55页 |
| 5.2.1 地理位置 | 第52-54页 |
| 5.2.2 性别 | 第54页 |
| 5.2.3 学历水平 | 第54-55页 |
| 5.3 关注方式 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 主要工作 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第65页 |
