| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-12页 |
| 图录 | 第12-13页 |
| 表录 | 第13-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景和意义 | 第14页 |
| 1.2 微博研究概述 | 第14-17页 |
| 1.2.1 基于微博用户以及用户关系的研究 | 第15-16页 |
| 1.2.2 基于微博内容的研究 | 第16页 |
| 1.2.3 基于微博消息传播的研究 | 第16-17页 |
| 1.3 IPTV 研究概述 | 第17-19页 |
| 1.3.1 用户行为建模 | 第18页 |
| 1.3.2 基于收视纪录的网络优化 | 第18页 |
| 1.3.3 基于用户群行为的节目推荐 | 第18-19页 |
| 1.4 推荐系统研究概述 | 第19-20页 |
| 1.5 本文的主要工作 | 第20-21页 |
| 1.6 本文的结构安排 | 第21页 |
| 1.7 本章小结 | 第21-22页 |
| 第二章 推荐系统与主题模型相关算法 | 第22-37页 |
| 2.1 推荐系统的相关算法 | 第22-28页 |
| 2.1.1 基于记忆的协同过滤算法 | 第23-25页 |
| 2.1.2 基于模型的协同过滤算法 | 第25-28页 |
| 2.1.3 微博数据中的应用 | 第28页 |
| 2.2 主题模型的相关算法 | 第28-36页 |
| 2.2.1 Latent Dirichlet Allocation | 第29-32页 |
| 2.2.2 TOT | 第32-34页 |
| 2.2.3 IPTV 数据中的应用 | 第34-36页 |
| 2.3 本章小结 | 第36-37页 |
| 第三章 微博和 IPTV 数据处理和分析 | 第37-46页 |
| 3.1 微博相关数据 | 第37-43页 |
| 3.1.1 新浪微博数据 | 第37-40页 |
| 3.1.2 豆瓣数据 | 第40-41页 |
| 3.1.3 数据统计及预处理 | 第41-43页 |
| 3.2 IPTV 相关数据 | 第43-44页 |
| 3.3 本章小结 | 第44-46页 |
| 第四章 基于微博的电视剧推荐系统 | 第46-62页 |
| 4.1 基于微博的概率矩阵分解算法 | 第46-52页 |
| 4.1.1 概率矩阵分解算法 | 第46-48页 |
| 4.1.2 基于微博的正则项 | 第48-52页 |
| 4.2 基于微博的推荐系统的相关实验 | 第52-61页 |
| 4.2.1 不同算法的 RMSE 对比 | 第54-55页 |
| 4.2.2 信任度正则项的实验 | 第55-56页 |
| 4.2.3 物品相似度正则项的实验 | 第56-58页 |
| 4.2.4 冷启动问题 | 第58-59页 |
| 4.2.5 新颖度和覆盖度实验 | 第59-61页 |
| 4.3 本章小结 | 第61-62页 |
| 第五章 基于 IPTV 的用户行为分析 | 第62-79页 |
| 5.1 LDA 模型 | 第62-64页 |
| 5.2 cLDA 模型 | 第64-69页 |
| 5.2.1 生成模型 | 第65-67页 |
| 5.2.2 模型拟合 | 第67-69页 |
| 5.3 TOT 模型 | 第69-71页 |
| 5.4 基于 IPTV 的用户行为分析实验 | 第71-77页 |
| 5.4.1 主题以及时间段发现 | 第71-73页 |
| 5.4.2 案例分析 | 第73-75页 |
| 5.4.3 家庭聚类 | 第75-77页 |
| 5.4.4 推荐系统 | 第77页 |
| 5.5 本章小结 | 第77-79页 |
| 第六章 全文总结 | 第79-81页 |
| 6.1 本文总结 | 第79-80页 |
| 6.2 工作展望 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-88页 |
| 攻读学位期间发表的学术论文目录 | 第88页 |