基于主题建模和分层隐变量模型的新闻推荐系统研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究的背景和意义 | 第11-14页 |
| 1.1.1 研究的背景 | 第11-13页 |
| 1.1.2 研究的意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 论文的工作 | 第15-17页 |
| 1.4 论文的结构安排 | 第17-19页 |
| 第二章 个性化推荐技术综述 | 第19-27页 |
| 2.1 个性化推荐系统概述 | 第19-20页 |
| 2.2 个性推荐算法研究 | 第20-24页 |
| 2.2.1 协同过滤推荐算法 | 第20-21页 |
| 2.2.2 基于内容的推荐算法 | 第21-22页 |
| 2.2.3 基于知识的推荐算法 | 第22页 |
| 2.2.4 基于社交网络的推荐算法 | 第22页 |
| 2.2.5 混合推荐算法 | 第22-23页 |
| 2.2.6 不同推荐算法的优缺点对比 | 第23-24页 |
| 2.3 个性化推荐算法在新闻领域中的研究与应用 | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 基于LDA的新闻主题建模 | 第27-33页 |
| 3.1 主题模型概述 | 第27-28页 |
| 3.2 新闻主题建模 | 第28-31页 |
| 3.2.1 新闻主题建模步骤 | 第28页 |
| 3.2.2 新闻主题建模过程 | 第28-31页 |
| 3.3 本章小结 | 第31-33页 |
| 第四章 分层隐变量模型推荐算法 | 第33-47页 |
| 4.1 隐变量模型 | 第33-37页 |
| 4.1.1 概述 | 第34-37页 |
| 4.1.2 算法优缺点 | 第37页 |
| 4.2 分层隐变量模型 | 第37-40页 |
| 4.2.1 模型构建思路 | 第38页 |
| 4.2.2 模型描述 | 第38-40页 |
| 4.3 多样性正则化的分层隐变量模型 | 第40-46页 |
| 4.3.1 基于SOM的新闻聚类 | 第42-43页 |
| 4.3.2 多样性正则化的分层隐变量模型 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 系统实现与评测 | 第47-65页 |
| 5.1 线下实验评测 | 第47-60页 |
| 5.1.1 实验数据集 | 第47-51页 |
| 5.1.2 实验步骤 | 第51-53页 |
| 5.1.3 评价指标 | 第53-54页 |
| 5.1.4 实验结果及讨论 | 第54-60页 |
| 5.2 在线系统展示 | 第60-64页 |
| 5.3 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-69页 |
| 6.1 本文工作总结 | 第65-66页 |
| 6.2 未来工作展望 | 第66-69页 |
| 参考文献 | 第69-75页 |
| 攻读学位期间科研成果 | 第75-77页 |
| 致谢 | 第77页 |
