| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 个性化推荐技术国内外研究现状 | 第11-15页 |
| 1.2.1 国外研究现状 | 第11-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 本文研究的主要内容 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 2 微博数据采集预处理 | 第17-31页 |
| 2.1 微博平台及其数据 | 第17-20页 |
| 2.1.1 微博数据分析 | 第17-20页 |
| 2.1.2 微博用户行为和关系 | 第20页 |
| 2.2 微博应用创建 | 第20-22页 |
| 2.2.1 开放平台应用申请 | 第20-21页 |
| 2.2.2 创建微博应用程序 | 第21-22页 |
| 2.3 微博数据采集 | 第22-28页 |
| 2.3.1 用户信息获取 | 第22-24页 |
| 2.3.2 用户关系获取 | 第24-26页 |
| 2.3.3 微博的内容信息获取 | 第26-27页 |
| 2.3.4 微博评论列表获取 | 第27-28页 |
| 2.4 数据集的预处理 | 第28-29页 |
| 2.4.1 去除微博信息噪音数据 | 第29页 |
| 2.4.2 去除关系过少的用户 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 3 用户信任度与话题相关度分析与计算 | 第31-39页 |
| 3.1 微博结构化数据特征 | 第31页 |
| 3.2 微博用户信任度计算 | 第31-32页 |
| 3.3 文本相似度的概念及其计算模型 | 第32-33页 |
| 3.3.1 相似度的概念 | 第32-33页 |
| 3.3.2 相似算法 | 第33页 |
| 3.4 文本相似性的主要计算方法 | 第33-36页 |
| 3.4.1 基于向量空间模型的 TF-IDF 方法 | 第33-34页 |
| 3.4.2 隐性语义标引 | 第34-36页 |
| 3.4.3 基于语义理解的相似度计算方法 | 第36页 |
| 3.5 基于 TF-IDF 的话题相关度计算 | 第36-37页 |
| 3.6 本章小结 | 第37-39页 |
| 4 基于信任关系的微博信息推荐算法 | 第39-49页 |
| 4.1 概述 | 第39页 |
| 4.2 推荐系统常见算法的分析 | 第39-43页 |
| 4.2.1 基于内容的推荐算法 | 第40-41页 |
| 4.2.2 基于协同过滤的推荐算法 | 第41-42页 |
| 4.2.3 基于关联规则的推荐算法 | 第42-43页 |
| 4.2.4 混合推荐 | 第43页 |
| 4.3 MB-StreamRank 微博信息推荐算法 | 第43-45页 |
| 4.3.1 用户行为时间衰减 | 第43页 |
| 4.3.2 MB-StreamRrank 算法流程 | 第43-45页 |
| 4.4 推荐系统中的评价标准 | 第45页 |
| 4.5 实验与分析 | 第45-48页 |
| 4.5.1 数据集及预处理 | 第45-46页 |
| 4.5.2 实验一：确定用户信任度的加权系数 | 第46页 |
| 4.5.3 实验二：时间衰减因子 | 第46-47页 |
| 4.5.4 实验三：算法对比实验 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 5 微博信息推荐系统设计与实现 | 第49-57页 |
| 5.1 推荐系统概述 | 第49页 |
| 5.2 系统总体设计 | 第49-50页 |
| 5.3 信息推荐模块 | 第50-54页 |
| 5.3.1 推荐系统数据库设计 | 第50-52页 |
| 5.3.2 信息推荐模块设计 | 第52-54页 |
| 5.4 推荐结果显示平台 | 第54-55页 |
| 5.4.1 ThinkSNS 平台介绍 | 第54-55页 |
| 5.4.2 推荐结果显示 | 第55页 |
| 5.5 系统实现与应用 | 第55页 |
| 5.6 本章小结 | 第55-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 工作总结 | 第57-58页 |
| 6.2 研究展望 | 第58-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间主要的研究成果 | 第65页 |
