基于LDA的微博个性化新闻推荐方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第9-14页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 国内外的研究现状 | 第10-12页 |
| 1.2.1 微博相关研究 | 第10-11页 |
| 1.2.2 用户兴趣建模相关研究 | 第11页 |
| 1.2.3 个性化推荐相关研究 | 第11-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13页 |
| 1.5 本章小结 | 第13-14页 |
| 2 相关技术综述 | 第14-25页 |
| 2.1 个性化推荐算法 | 第14-17页 |
| 2.1.1 基于内容的推荐 | 第14-15页 |
| 2.1.2 协同过滤推荐 | 第15-16页 |
| 2.1.3 混合推荐 | 第16-17页 |
| 2.2 文本挖掘技术 | 第17-21页 |
| 2.2.1 向量空间模型VSM | 第17-18页 |
| 2.2.2 主题模型 | 第18-21页 |
| 2.3 文本分类技术 | 第21-24页 |
| 2.3.1 支持向量机 | 第21-23页 |
| 2.3.2 朴素贝叶斯 | 第23页 |
| 2.3.3 决策树分类 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 微博用户兴趣分析方法研究 | 第25-40页 |
| 3.1 基于联合分类器的噪音微博过滤 | 第26-29页 |
| 3.1.1 朴素贝叶斯分类 | 第26-27页 |
| 3.1.2 支持向量机分类 | 第27页 |
| 3.1.3 决策树分类 | 第27-28页 |
| 3.1.4 联合分类器 | 第28-29页 |
| 3.2 微博内容扩充 | 第29页 |
| 3.3 基于词对的BI-LDA主题模型 | 第29-33页 |
| 3.3.1 词对的产生 | 第30页 |
| 3.3.2 BI-LDA主题模型 | 第30-33页 |
| 3.4 用户兴趣分析 | 第33-37页 |
| 3.4.1 基于时间的用户兴趣表示 | 第33-35页 |
| 3.4.2 用户自身兴趣分析 | 第35-36页 |
| 3.4.3 用户潜在兴趣分析 | 第36-37页 |
| 3.5 个性化信息推荐 | 第37-38页 |
| 3.6 本章小结 | 第38-40页 |
| 4 实验评估与结果分析 | 第40-52页 |
| 4.1 实验准备 | 第40-41页 |
| 4.2 数据采集 | 第41-42页 |
| 4.3 噪音微博过滤实验 | 第42-46页 |
| 4.3.1 实验数据获取以及预处理 | 第42-43页 |
| 4.3.2 训练联合分类器模型 | 第43-45页 |
| 4.3.3 实验结果分析 | 第45-46页 |
| 4.4 BI-LDA实验设计 | 第46-48页 |
| 4.4.1 方案设计 | 第46页 |
| 4.4.2 性能评价指标 | 第46-47页 |
| 4.4.3 实验结果分析 | 第47-48页 |
| 4.5 个性化推荐实验 | 第48-51页 |
| 4.5.1 设计方案 | 第48页 |
| 4.5.2 实验结果及分析 | 第48-51页 |
| 4.6 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 工作总结 | 第52-53页 |
| 5.2 研究展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 附录1 攻读硕士学位期间参与的项目和发表的论文 | 第58-59页 |
| 附录2 主要英文缩写语对照表 | 第59页 |
