基于微博的知识词条推荐算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题目的及意义 | 第10-11页 |
| 1.3 国内外研究现状及分析 | 第11-16页 |
| 1.3.1 知识发现现状及分析 | 第11-13页 |
| 1.3.2 推荐算法现状及分析 | 第13-16页 |
| 1.4 本文的主要研究内容 | 第16-18页 |
| 第2章 微博知识词条语料库的构建 | 第18-29页 |
| 2.1 微博知识词条发现语料库构建 | 第18-24页 |
| 2.1.1 语料的来源 | 第18-19页 |
| 2.1.2 语料的预处理 | 第19-21页 |
| 2.1.3 标注规范与过程 | 第21-22页 |
| 2.1.4 语料格式与评价 | 第22-24页 |
| 2.2 微博知识词条推荐语料库构建 | 第24-28页 |
| 2.2.1 语料的来源 | 第24页 |
| 2.2.2 语料的预处理 | 第24页 |
| 2.2.3 标注规范与过程 | 第24-25页 |
| 2.2.4 语料格式与评价 | 第25-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 微博知识词条发现算法 | 第29-48页 |
| 3.1 基于CR FS模型的微博知识词条发现算法 | 第29-34页 |
| 3.1.1 算法流程 | 第30-31页 |
| 3.1.2 标注体系 | 第31-32页 |
| 3.1.3 特征选择 | 第32-34页 |
| 3.1.4 特征模板 | 第34页 |
| 3.2 融合词聚类特征的微博知识词条发现算法 | 第34-38页 |
| 3.2.1 Skip-gram词聚类特征 | 第35-36页 |
| 3.2.2 Brown词聚类特征 | 第36-37页 |
| 3.2.3 Clark词聚类特征 | 第37页 |
| 3.2.4 特征模板 | 第37-38页 |
| 3.3 引入训练集词典的微博知识词条发现算法 | 第38-39页 |
| 3.4 实验结果与分析 | 第39-47页 |
| 3.4.1 评价标准 | 第40-41页 |
| 3.4.2 结果与分析 | 第41-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 微博知识词条推荐算法 | 第48-61页 |
| 4.1 基于内容的微博知识词条推荐算法 | 第48-50页 |
| 4.1.1 对象建模 | 第48-49页 |
| 4.1.2 用户建模 | 第49-50页 |
| 4.1.3 推荐策略 | 第50页 |
| 4.2 基于协同过滤的微博知识词条推荐算法 | 第50-52页 |
| 4.2.1 评分矩阵的构建 | 第51页 |
| 4.2.2 评分预测 | 第51-52页 |
| 4.3 改进的微博知识词条推荐算法 | 第52-54页 |
| 4.3.1 基于社会关系的知识词条推荐算法 | 第52-53页 |
| 4.3.2 引入时间因子的知识词条推荐算法 | 第53-54页 |
| 4.4 实验结果与分析 | 第54-60页 |
| 4.4.1 评价标准 | 第55页 |
| 4.4.2 结果与分析 | 第55-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 微博知识词条推荐系统 | 第61-66页 |
| 5.1 系统框架 | 第61-62页 |
| 5.2 模块功能介绍 | 第62-63页 |
| 5.2.1 微博爬虫模块 | 第62页 |
| 5.2.2 微博知识词条发现模块 | 第62页 |
| 5.2.3 微博知识词条链接模块 | 第62-63页 |
| 5.2.4 微博知识词条推荐模块 | 第63页 |
| 5.3 系统演示 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第71-73页 |
| 致谢 | 第73页 |
