| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 引言 | 第9-15页 |
| 1.1 选题背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究内容及结构安排 | 第11-15页 |
| 1.3.1 研究内容及创新点 | 第11-12页 |
| 1.3.2 全文结构安排 | 第12-15页 |
| 第二章 社交网络关系推荐介绍 | 第15-25页 |
| 2.1 传统的社交网络关系推荐 | 第15-18页 |
| 2.1.1 基于内容匹配的关系推荐 | 第15-17页 |
| 2.1.2 基于共同兴趣的关系推荐 | 第17-18页 |
| 2.1.3 基于社交网络图的关系推荐 | 第18页 |
| 2.2 推荐算法评价指标 | 第18-19页 |
| 2.3 数据采集 | 第19-25页 |
| 2.3.1 数据获取方式 | 第20-21页 |
| 2.3.2 数据抓取 | 第21-25页 |
| 第三章 带偏好的局部随机游走算法Biased-LRW | 第25-35页 |
| 3.1 社交网络的关系图谱 | 第25-26页 |
| 3.2 Friend Of A Friend算法 | 第26-27页 |
| 3.3 局部随机游走算法 | 第27-30页 |
| 3.3.1 随机游走算法 | 第27-28页 |
| 3.3.2 LRW Friend | 第28-29页 |
| 3.3.3 LRW Friend算法的实现 | 第29-30页 |
| 3.4 带偏好的局部随机游走算法 | 第30-35页 |
| 3.4.1 Biased-LRW算法的提出 | 第30-32页 |
| 3.4.2 Biased-LRW算法的实现 | 第32-35页 |
| 第四章 基于特征抽取和排序算法的推荐模型 | 第35-49页 |
| 4.1 模型的整体框架 | 第35-36页 |
| 4.2 基于词向量语义相似性的关键词扩展在用户聚类上的应用 | 第36-43页 |
| 4.2.1 基于关键词扩展的用户聚类算法的整体框架 | 第37-38页 |
| 4.2.2 基于TF-IDF的用户向量 | 第38页 |
| 4.2.3 基于关键词扩展的用户向量 | 第38-41页 |
| 4.2.3.1 词向量 | 第38-40页 |
| 4.2.3.2 基于语义相似性的关键词扩展 | 第40-41页 |
| 4.2.4 降维与聚类 | 第41-43页 |
| 4.2.4.1 NMF降维 | 第41-42页 |
| 4.2.4.2 K-means聚类 | 第42-43页 |
| 4.3 基于LDA主题模型的用户兴趣聚类 | 第43-46页 |
| 4.3.1 主题模型 | 第43-44页 |
| 4.3.2 Latent Dirichlet Allocation | 第44-46页 |
| 4.4 排序算法介绍 | 第46-49页 |
| 4.4.1 组合树模型 | 第46-47页 |
| 4.4.2 随机森林分布(Random Forest) | 第47页 |
| 4.4.3 梯度提升决策树(GBDT) | 第47-49页 |
| 第五章 基于特征抽取和排序算法的推荐模型的实现及结果分析 | 第49-65页 |
| 5.1 基于Biased-LRW算法的候选集构建 | 第49-50页 |
| 5.2 特征抽取模块 | 第50-60页 |
| 5.2.1 基于个人属性的特征 | 第51-53页 |
| 5.2.2 基于社交关系的特征 | 第53-54页 |
| 5.2.3 基于文本信息的特征 | 第54-60页 |
| 5.2.3.1 利用微博内容进行用户聚类 | 第55-59页 |
| 5.2.3.2 利用标签等信息进行用户兴趣聚类 | 第59-60页 |
| 5.3 排序模型构造 | 第60-62页 |
| 5.4 推荐结果分析 | 第62-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 致谢 | 第69-71页 |
| 攻读学位期间发表的论文 | 第71页 |
