首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

面向微博用户的标签及好友推荐算法研究

中文摘要第2-3页
Abstract第3-4页
中文文摘第5-9页
第一章 绪论第9-17页
    第一节 研究背景及意义第9-12页
        1.1 研究背景第9-11页
        1.2 研究意义第11-12页
    第二节 国内外研究现状第12-15页
        2.1 个性化标签第12-14页
        2.2 微博用户兴趣挖掘第14页
        2.3 微博好友推荐第14-15页
    第三节 本文工作及组织结构第15-16页
        3.1 本文工作第15-16页
        3.2 本文组织结构第16页
    第四节 本章小结第16-17页
第二章 相关技术综述第17-29页
    第一节 推荐系统概述第17-18页
    第二节 推荐算法介绍第18-27页
        2.1 基于内容的推荐第18-20页
        2.2 基于协同过滤的推荐第20-27页
            2.2.1 基于用户的协同过滤算法第20-22页
            2.2.2 基于项目的协同过滤算法第22-24页
            2.2.3 基于模型的推荐算法第24-27页
        2.3 混合推荐第27页
    第三节 本章小结第27-29页
第三章 基于RBLDA模型和交互关系的标签推荐算法第29-41页
    第一节 引言第29页
    第二节 微博用户标签分析第29-32页
    第三节 主要方法介绍第32-35页
        3.1 基于好友关系约束的主题模型标签推荐第32-33页
        3.2 基于交互关系的微博用户标签推荐第33-35页
    第四节 基于RBLDA模型和交互关系的标签推荐算法第35-36页
        4.1 算法基本思想第35-36页
        4.2 算法基本步骤第36页
    第五节 实验结果与分析第36-40页
        5.1 实验数据集与实验环境第36-37页
        5.2 标签预测实验第37页
        5.3 准确率评估实验第37-40页
    第六节 本章小结第40-41页
第四章 基于矩阵分解模型的微博好友推荐算法第41-53页
    第一节 引言第41页
    第二节 基于Seeker-Source的矩阵分解模型第41-43页
    第三节 基于微博特征的Seeker-Source矩阵分解模型第43-48页
        3.1 微博用户自然属性特征第43-44页
        3.2 微博关键词和标签特征第44-45页
        3.3 社交特征第45-46页
        3.4 结构化特征第46-47页
        3.5 联合模型第47-48页
    第四节 实验结果与分析第48-50页
        4.1 实验数据集与实验环境第48页
        4.2 实验结果与分析第48-50页
    第五节 本章小结第50-53页
第五章 结论与展望第53-55页
    第一节 本文工作总结第53-54页
    第二节 未来工作展望第54-55页
参考文献第55-61页
攻读学位期间承担的科研任务与主要成果第61-63页
致谢第63-65页
个人简历第65-69页

论文共69页,点击 下载论文
上一篇:图像光栅效应的信息隐藏技术研究
下一篇:基于j2ee的b2c电子商务平台的设计与实现