| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第11-17页 |
| 1.1 选题意义 | 第11-12页 |
| 1.1.1 背景 | 第11页 |
| 1.1.2 选题意义和实际应用价值： | 第11-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-15页 |
| 1.2.1 智能技术在内容产业的发展应用研究 | 第12-13页 |
| 1.2.2 推荐系统的技术研究 | 第13页 |
| 1.2.3 推荐系统的效果研究 | 第13-15页 |
| 1.3 研究内容及研究方法 | 第15-16页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 研究方法 | 第16页 |
| 1.4 本选题的重点、难点、创新点 | 第16-17页 |
| 2 概念阐释及理论基础 | 第17-20页 |
| 2.1 概念阐释 | 第17-18页 |
| 2.1.1 智能技术 | 第17页 |
| 2.1.2 文本内容 | 第17页 |
| 2.1.3 推荐系统 | 第17页 |
| 2.1.4 推荐模式 | 第17-18页 |
| 2.2 理论基础 | 第18-20页 |
| 2.2.1 分众传播理论 | 第18页 |
| 2.2.2 使用与满足理论 | 第18页 |
| 2.2.3 麦克卢汉的媒介传播理论 | 第18-19页 |
| 2.2.4 长尾理论 | 第19-20页 |
| 3 内容智能推荐系统的发展 | 第20-23页 |
| 3.1 推荐系统的发展历程 | 第20页 |
| 3.2 内容智能推荐系统发展契机 | 第20-23页 |
| 3.2.1 用户信息获取方式的变迁,改变了用户的需求 | 第20-21页 |
| 3.2.2 内容分发者对市场的竞争 | 第21页 |
| 3.2.3 推荐算法设计者对用户心理的研究 | 第21页 |
| 3.2.4 人工智能等技术的支持使内容智能推荐系统日臻完善 | 第21-23页 |
| 4 内容分发领域不同类型的推荐模式的建立 | 第23-25页 |
| 4.1 基于内容的推荐模式 | 第23页 |
| 4.2 基于协同过滤的推荐模式 | 第23-24页 |
| 4.3 基于关联度的推荐模式 | 第24页 |
| 4.4 基于混合的推荐模式 | 第24-25页 |
| 5 内容智能推荐模式的应用 | 第25-38页 |
| 5.1 当下内容智能推荐系统推荐内容研究 | 第26-29页 |
| 5.1.1 “今日头条”推荐内容解析 | 第26-27页 |
| 5.1.2 “一点资讯”推荐内容解析 | 第27-28页 |
| 5.1.3 微博推荐内容解析 | 第28-29页 |
| 5.2 内容智能推荐系统的环节要素 | 第29-33页 |
| 5.2.1 对“今日头条”推荐环节要素的探究 | 第29-31页 |
| 5.2.2 对“一点资讯”的推荐环节的探究 | 第31-32页 |
| 5.2.3 对微博的推荐环节的探究 | 第32-33页 |
| 5.3 内容智能推荐的模式解析 | 第33-38页 |
| 5.3.1 对资讯类APP的内容推荐模式对比解析 | 第33-35页 |
| 5.3.2 对社交APP的内容推荐模式解析 | 第35-38页 |
| 6 内容智能推荐模式的传播效果及局限性 | 第38-44页 |
| 6.1 内容智能推荐模式传播效果 | 第39-42页 |
| 6.1.1 加快传播效率 | 第39页 |
| 6.1.2 增加APP的用户粘性 | 第39-40页 |
| 6.1.3 “信息茧房”成型 | 第40-41页 |
| 6.1.4 超级全景监狱 | 第41-42页 |
| 6.2 内容智能推荐模式的局限性 | 第42-44页 |
| 6.2.1 内容上监管不力 | 第42页 |
| 6.2.2 技术局限 | 第42-44页 |
| 7 内容智能推荐模式发展启示 | 第44-48页 |
| 7.1 从服务用户到引导用户 | 第44-45页 |
| 7.2 坚持优秀内容创作 | 第45-46页 |
| 7.3 “受众”到“用户” | 第46页 |
| 7.4 技术善恶论的现实意义的反思 | 第46-48页 |
| 8 结语 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 作者攻读学位期间取得的研究成果 | 第52页 |