| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 课题主要内容 | 第13-14页 |
| 1.4 本论文的结构安排 | 第14-15页 |
| 第二章 关键技术 | 第15-33页 |
| 2.1 新闻推荐技术 | 第15-17页 |
| 2.1.1 基于内容的推荐技术 | 第15-16页 |
| 2.1.2 基于协同过滤的推荐技术 | 第16-17页 |
| 2.1.3 混合推荐技术 | 第17页 |
| 2.2 新闻的特征表示 | 第17-20页 |
| 2.2.1 向量空间模型 | 第18-20页 |
| 2.3 文本主题模型 | 第20-25页 |
| 2.3.1 主题模型的Gibbs Sampling求解 | 第22-24页 |
| 2.3.2 最优主题数目的确定 | 第24-25页 |
| 2.4 文本相似度 | 第25-27页 |
| 2.4.1 余弦相似度计算 | 第25-26页 |
| 2.4.2 Jacard相似度计算 | 第26页 |
| 2.4.3 JS(Jensen-Shannon)距离 | 第26-27页 |
| 2.5 K-Means算法和FCM算法 | 第27-32页 |
| 2.5.1 K-Means算法和二分K-Means算法 | 第27-28页 |
| 2.5.2 FCM算法 | 第28-30页 |
| 2.5.3 最优聚类数目K选择 | 第30-31页 |
| 2.5.4 节点密度 | 第31页 |
| 2.5.5 聚类评价函数 | 第31-32页 |
| 2.6 新闻推荐的评价指标 | 第32页 |
| 2.7 本章小结 | 第32-33页 |
| 第三章 基于主题聚类的用户兴趣模型构建 | 第33-43页 |
| 3.1 用户兴趣模型构建概述 | 第33-34页 |
| 3.2 新闻文本的建模 | 第34-37页 |
| 3.3 用户兴趣分析 | 第37-39页 |
| 3.4 用户兴趣模型表示 | 第39-40页 |
| 3.5 兴趣模型更新 | 第40-42页 |
| 3.5.0 随机兴趣转变为稳定兴趣 | 第40-41页 |
| 3.5.1 兴趣关键词模型的更新 | 第41页 |
| 3.5.2 兴趣主题模型的更新 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 新闻文本聚类算法的研究及改进 | 第43-49页 |
| 4.1 新闻文本聚类算法 | 第43-44页 |
| 4.2 基于密度二分聚类算法 | 第44-45页 |
| 4.2.1 基于密度二分K-Means新闻文本聚类算法 | 第44-45页 |
| 4.2.2 基于密度二分FCM新闻聚类算法 | 第45页 |
| 4.3 实验及其结果分析 | 第45-48页 |
| 4.3.1 二分K-Means和基于密度二分K-Means对比 | 第46-47页 |
| 4.3.2 FCM算法和基于密度二分FCM算法对比 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 基于主题聚类的新闻推荐设计和实现 | 第49-69页 |
| 5.1 基于主题聚类的新闻推荐方法 | 第49-52页 |
| 5.1.1 新闻文本聚类 | 第49-50页 |
| 5.1.2 用户兴趣建模 | 第50-51页 |
| 5.1.3 新闻的推荐流程 | 第51-52页 |
| 5.2 基于主题聚类的新闻推荐各模块的设计和实现 | 第52-63页 |
| 5.2.1 新闻爬取及预处理模块 | 第52-55页 |
| 5.2.2 基于主题模型聚类模块 | 第55-60页 |
| 5.2.3 用户兴趣模型构建模块 | 第60-62页 |
| 5.2.4 基于主题聚类的新闻推荐模块 | 第62-63页 |
| 5.3 实验及其结果分析 | 第63-67页 |
| 5.3.1 用户兴趣衰减模型的评估 | 第64-65页 |
| 5.3.2 基于主题聚类的新闻推荐准确率评估 | 第65-66页 |
| 5.3.3 基于主题聚类的新闻推荐多样性评估 | 第66-67页 |
| 5.4 本章小结 | 第67-69页 |
| 第六章 全文总结与展望 | 第69-71页 |
| 6.1 全文总结 | 第69-70页 |
| 6.2 后续工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间取得的成果 | 第75-76页 |
