基于新浪微博的好友推荐系统设计与实现
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 用户兴趣挖掘研究现状 | 第13-14页 |
| 1.2.2 推荐系统研究现状 | 第14-15页 |
| 1.3 本论文研究内容及章节安排 | 第15-17页 |
| 1.3.1 本论文研究内容 | 第15页 |
| 1.3.2 本论文章节安排 | 第15-17页 |
| 第2章 好友推荐系统需求分析与概要设计 | 第17-24页 |
| 2.1 好友推荐系统需求分析 | 第17-18页 |
| 2.1.1 用户需求 | 第17页 |
| 2.1.2 功能需求 | 第17-18页 |
| 2.2 好友推荐系统总体架构设计 | 第18页 |
| 2.3 好友推荐系统功能模块划分 | 第18-21页 |
| 2.3.1 微博数据获取 | 第19页 |
| 2.3.2 微博好友推荐 | 第19-21页 |
| 2.4 数据库设计 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 微博数据获取模块的详细设计与实现 | 第24-38页 |
| 3.1 概述 | 第24-25页 |
| 3.2 微博数据获取方式 | 第25-26页 |
| 3.3 网络爬虫相关技术简介 | 第26-28页 |
| 3.3.1 网络爬虫 | 第26页 |
| 3.3.2 模拟登录 | 第26-27页 |
| 3.3.3 Jsoup解析HTML | 第27页 |
| 3.3.4 AJAX | 第27-28页 |
| 3.4 爬虫模块的实现 | 第28-35页 |
| 3.4.1 模拟登录获得微博Cookies | 第28-29页 |
| 3.4.2 获取网页源代码 | 第29-30页 |
| 3.4.3 用户关注的好友列表爬取 | 第30-32页 |
| 3.4.4 微博用户个人信息爬取 | 第32-33页 |
| 3.4.5 微博信息爬取 | 第33-35页 |
| 3.5 多线程爬虫 | 第35-36页 |
| 3.6 数据持久化 | 第36-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第4章 好友推荐模块的详细设计与实现 | 第38-56页 |
| 4.1 概述 | 第38页 |
| 4.2 微博用户兴趣相似度 | 第38-46页 |
| 4.2.1 文本预处理 | 第38-40页 |
| 4.2.2 微博文本特征词提取 | 第40-42页 |
| 4.2.3 特征词兴趣分类 | 第42-45页 |
| 4.2.4 计算用户兴趣相似度 | 第45-46页 |
| 4.3 微博用户地理相似度 | 第46-50页 |
| 4.3.1 地理位置签到机制 | 第46页 |
| 4.3.2 地理位置数据处理 | 第46-48页 |
| 4.3.3 地理位置相似度计算 | 第48-50页 |
| 4.4 微博用户影响力 | 第50-53页 |
| 4.4.1 常用的用户影响力计算方法 | 第50-51页 |
| 4.4.2 计算用户的影响力 | 第51-52页 |
| 4.4.3 用户影响力归一化 | 第52-53页 |
| 4.5 多因素综合好友推荐 | 第53-55页 |
| 4.5.1 多因素综合推荐 | 第53-54页 |
| 4.5.2 教育背景和工作经历对推荐的优化 | 第54-55页 |
| 4.6 Web展示推荐结果 | 第55页 |
| 4.7 本章小结 | 第55-56页 |
| 第5章 实验结果分析及运行效果 | 第56-64页 |
| 5.1 实验环境 | 第56页 |
| 5.2 微博数据采集结果 | 第56-58页 |
| 5.3 用户兴趣预测评价 | 第58-59页 |
| 5.4 好友推荐结果评价 | 第59-60页 |
| 5.5 实验结果分析 | 第60-62页 |
| 5.6 系统运行效果 | 第62-63页 |
| 5.7 本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 总结 | 第64-65页 |
| 进一步工作 | 第65-66页 |
| 致谢 | 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科研成果 | 第71页 |
