| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 研究背景与意义 | 第13-16页 |
| 1.1.1 研究背景 | 第13-15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 推荐系统 | 第16-18页 |
| 1.2.2 面向Twitter的信息推荐 | 第18-19页 |
| 1.3 论文研究内容与创新点 | 第19-21页 |
| 1.3.1 研究内容 | 第20-21页 |
| 1.3.2 主要贡献 | 第21页 |
| 1.4 论文组织结构 | 第21-23页 |
| 第二章 信息推荐相关理论 | 第23-33页 |
| 2.1 信息推荐的相关算法 | 第23-26页 |
| 2.1.1 基于协同过滤的信息推荐 | 第23-24页 |
| 2.1.2 基于内容的信息推荐 | 第24-26页 |
| 2.2 信息推荐的评价指标 | 第26-31页 |
| 2.2.1 准确性指标 | 第26-28页 |
| 2.2.2 排序加权指标 | 第28-29页 |
| 2.2.3 多样性和创新性评价指标 | 第29-30页 |
| 2.2.4 覆盖率评价指标 | 第30-31页 |
| 2.3 本章小结 | 第31-33页 |
| 第三章 基于转推网络的推文推荐模型 | 第33-47页 |
| 3.1 基于转推网络的推荐模型框架 | 第33-35页 |
| 3.2 基于用户相似度的推文推荐模型 | 第35-36页 |
| 3.2.1 相似度的定义与计算 | 第35-36页 |
| 3.2.2 基于用户相似度的推文兴趣度计算 | 第36页 |
| 3.3 基于用户信任度的推文推荐模型 | 第36-39页 |
| 3.3.1 信任度的定义与计算 | 第37-38页 |
| 3.3.2 基于用户信任度的推文兴趣度计算 | 第38-39页 |
| 3.4 基于用户相似度和信任度的混合推荐模型 | 第39-40页 |
| 3.5 实验与结果分析 | 第40-45页 |
| 3.5.1 实验设置 | 第40-43页 |
| 3.5.2 实验结果与分析 | 第43-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 基于推文Tag的推文推荐模型 | 第47-59页 |
| 4.1 基于推文Tag的推荐模型框架 | 第47-48页 |
| 4.2 特征标签（Tag）的抽取 | 第48-51页 |
| 4.2.1 兴趣类别特征标签 | 第48-49页 |
| 4.2.2 情感倾向特征标签 | 第49-50页 |
| 4.2.3 时序行为特征标签 | 第50-51页 |
| 4.3 基于多标签的兴趣度计算 | 第51-52页 |
| 4.3.1 用户和推文的标签向量化表示 | 第51-52页 |
| 4.3.2 基于多标签的兴趣匹配度计算 | 第52页 |
| 4.4 实验与结果分析 | 第52-57页 |
| 4.4.1 实验设置 | 第52-54页 |
| 4.4.2 实验结果与分析 | 第54-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第五章 面向Twitter的推文推送原型系统设计与实现 | 第59-67页 |
| 5.1 基于转推网络和推文Tag的推荐模型框架 | 第59-60页 |
| 5.2 需求分析 | 第60-61页 |
| 5.2.1 功能性需求分析 | 第60-61页 |
| 5.2.2 非功能性需求分析 | 第61页 |
| 5.3 系统工作原理 | 第61-63页 |
| 5.3.1 推送模块 | 第62页 |
| 5.3.2 推荐模块 | 第62页 |
| 5.3.3 反馈信息采集模块 | 第62-63页 |
| 5.3.4 系统前端UI | 第63页 |
| 5.4 系统设计 | 第63-64页 |
| 5.4.1 系统逻辑结构划分 | 第63页 |
| 5.4.2 系统物理结构 | 第63-64页 |
| 5.5 系统实现 | 第64-66页 |
| 5.5.1 服务器端应用程序 | 第64-65页 |
| 5.5.2 PC浏览器 | 第65-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 研究工作总结 | 第67页 |
| 6.2 研究展望 | 第67-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 作者在学期间取得的学术成果目录 | 第77页 |