摘要 | 第4-5页 |
Abstract | 第5页 |
第一章 绪论 | 第10-13页 |
1.1 研究背景 | 第10-12页 |
1.2 研究目标及内容 | 第12页 |
1.3 论文组织结构 | 第12-13页 |
第二章 话题挖掘及个性化推荐相关研究 | 第13-21页 |
2.1 相关研究技术概述 | 第13页 |
2.2 话题挖掘技术相关研究 | 第13-16页 |
2.2.1 Unigram模型 | 第13-14页 |
2.2.2 PLSA模型 | 第14-15页 |
2.2.3 LDA模型 | 第15-16页 |
2.3 个性化推荐技术相关研究 | 第16-20页 |
2.3.1 协同过滤推荐技术 | 第17页 |
2.3.2 基于内容的推荐技术 | 第17-18页 |
2.3.3 个性化标签推荐技术 | 第18-19页 |
2.3.4 个性化推荐技术评价指标 | 第19-20页 |
2.4 本章小结 | 第20-21页 |
第三章 播存环境在线话题挖掘算法研究与设计 | 第21-32页 |
3.1 主要问题与研究思路 | 第21-22页 |
3.1.1 播存环境新的特点 | 第21-22页 |
3.1.2 研究思路与解决方案 | 第22页 |
3.2 播存环境在线话题挖掘算法BS-OLDA框架 | 第22-23页 |
3.3 网页预处理模块 | 第23-24页 |
3.3.1 网页清洗模块 | 第23-24页 |
3.3.2 网页分句与分词模块 | 第24页 |
3.3.3 去停用词模块 | 第24页 |
3.4 BS-OLDA算法模块 | 第24-30页 |
3.4.1 传统LDA模型分析 | 第24-26页 |
3.4.2 BS-OLDA算法 | 第26-30页 |
3.5 本章小结 | 第30-32页 |
第四章 播存环境中基于话题的个性化推荐 | 第32-41页 |
4.1 主要问题与研究思路 | 第32-34页 |
4.1.1 主要问题与播存环境新特点 | 第32-33页 |
4.1.2 研究思路 | 第33-34页 |
4.2 播存环境中基于话题的个性化推荐框架 | 第34-37页 |
4.2.1 BS-TR算法总体框架 | 第34页 |
4.2.2 BS-TR算法工作模式 | 第34-37页 |
4.3 网页内容话题特征提取及UCL话题字段映射 | 第37-38页 |
4.3.1 网页内容话题特征向量提取 | 第37-38页 |
4.3.2 UCL话题字段映射 | 第38页 |
4.4 用户话题兴趣特征向量计算 | 第38-40页 |
4.5 相似度计算方法 | 第40页 |
4.6 本章小结 | 第40-41页 |
第五章 播存环境原型系统中算法实验与分析 | 第41-49页 |
5.1 播存环境原型系统框架 | 第41-42页 |
5.2 实验与分析 | 第42-48页 |
5.2.1 BS-OLDA算法实验与分析 | 第42-46页 |
5.2.2 BS-TR算法实验与分析 | 第46-48页 |
5.3 本章小结 | 第48-49页 |
第六章 论文总结与未来工作 | 第49-50页 |
6.1 论文总结 | 第49页 |
6.2 未来工作 | 第49-50页 |
致谢 | 第50-51页 |
硕士期间发表论文 | 第51-52页 |
参考文献 | 第52-53页 |