基于社交电视的聚合类信息的个性化推荐系统
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景和意义 | 第9-12页 |
| 1.1.1 吸引用户参与—社交电视兴起 | 第9-10页 |
| 1.1.2 粉丝经济—社交电视用户细分 | 第10-11页 |
| 1.1.3 个性化信息—社交电视用户需求 | 第11-12页 |
| 1.2 研究现状综述 | 第12-16页 |
| 1.2.1 社交电视聚合信息研究综述 | 第12-13页 |
| 1.2.2 粉丝群体研究综述 | 第13-15页 |
| 1.2.3 个性化服务方案研究 | 第15-16页 |
| 1.3 研究方案 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第二章 相关理论知识研究 | 第19-30页 |
| 2.1 聚合-推荐系统框架 | 第19-21页 |
| 2.2 信息聚合 | 第21-25页 |
| 2.2.1 信息清洗与过滤 | 第22-23页 |
| 2.2.2 中文分词技术 | 第23-24页 |
| 2.2.3 文本相似度计算 | 第24-25页 |
| 2.3 个性化推荐算法 | 第25-29页 |
| 2.3.1 协同过滤推荐算法 | 第25-26页 |
| 2.3.2 矩阵分解模型 | 第26-28页 |
| 2.3.3 基于内容的推荐算法 | 第28页 |
| 2.3.4 针对粉丝群体的推荐 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于文本分析的信息聚合 | 第30-39页 |
| 3.1 数据获取 | 第30-32页 |
| 3.2 数据清洗 | 第32-33页 |
| 3.3 词典构造 | 第33-34页 |
| 3.4 算法具体流程 | 第34-35页 |
| 3.5 实验结果分析 | 第35-36页 |
| 3.6 实验结果应用 | 第36-37页 |
| 3.7 本章小节 | 第37-39页 |
| 第四章 基于LFM的推荐算法研究 | 第39-49页 |
| 4.1 多用户行为 | 第39-40页 |
| 4.2 算法综述 | 第40-43页 |
| 4.3 实验与结果分析 | 第43-46页 |
| 4.4 系统性能优化 | 第46-47页 |
| 4.4.1 实时性 | 第46页 |
| 4.4.2 冷启动 | 第46-47页 |
| 4.5 本章小结 | 第47-49页 |
| 第五章 系统实现 | 第49-64页 |
| 5.1 系统架构与各模块需求 | 第49页 |
| 5.2 服务器需求分析 | 第49-52页 |
| 5.3 客户端需求分析 | 第52-53页 |
| 5.4 系统详细设计 | 第53-59页 |
| 5.5 系统交互流程 | 第59-62页 |
| 5.6 系统性能分析 | 第62页 |
| 5.7 本章总结 | 第62-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 论文工作总结 | 第64-65页 |
| 6.2 进一步的研究工作 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 系统数据结构 | 第70-73页 |
| 附录 论文使用缩写说明 | 第73-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间发表或已录用的学术论文 | 第75页 |
