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 |