基于微博用户兴趣的个性化广告推荐系统的设计与实现
摘要 | 第3-4页 |
Abstract | 第4-5页 |
1 绪论 | 第9-16页 |
1.1 研究背景及意义 | 第9-11页 |
1.1.1 研究背景 | 第9-10页 |
1.1.2 研究意义 | 第10-11页 |
1.2 研究现状 | 第11-14页 |
1.2.1 用户兴趣挖掘 | 第11-12页 |
1.2.2 个性化广告 | 第12-14页 |
1.3 本文研究内容 | 第14-15页 |
1.4 本文组织结构 | 第15-16页 |
2 系统涉及的关键技术 | 第16-28页 |
2.1 微博数据采集 | 第16-18页 |
2.1.1 网络爬虫 | 第16-17页 |
2.1.2 网页信息处理 | 第17-18页 |
2.2 文本处理技术 | 第18-20页 |
2.2.1 中文分词 | 第18-19页 |
2.2.2 停止词过滤 | 第19-20页 |
2.3 推荐技术 | 第20-27页 |
2.3.1 推荐系统中常见的问题 | 第20-22页 |
2.3.2 基于内容的推荐方法 | 第22-24页 |
2.3.3 基于关联规则的推荐方法 | 第24-25页 |
2.3.4 基于协同过滤的推荐方法 | 第25-26页 |
2.3.5 基于混合过滤的推荐方法 | 第26-27页 |
2.4 本章小结 | 第27-28页 |
3 基于交互链路的相似用户发现算法 | 第28-39页 |
3.1 相关知识 | 第28-30页 |
3.1.1 层次分析法 | 第28页 |
3.1.2 经典相似度计算方法 | 第28-30页 |
3.2 基于交互链路的相似用户发现算法 | 第30-36页 |
3.2.1 相关定义 | 第30-31页 |
3.2.2 用户基本信息相似度计算 | 第31-33页 |
3.2.3 用户交互强度计算 | 第33-35页 |
3.2.4 基于交互链路的相似用户发现算法 | 第35-36页 |
3.3 实验与分析 | 第36-38页 |
3.3.1 实验数据 | 第36页 |
3.3.2 实验设置 | 第36页 |
3.3.3 评价指标 | 第36-37页 |
3.3.4 实验结果及分析 | 第37-38页 |
3.4 本章小结 | 第38-39页 |
4 微博用户兴趣挖掘算法 | 第39-51页 |
4.1 微博用户信息 | 第39-41页 |
4.1.1 用户个人信息 | 第39-40页 |
4.1.2 用户微博信息 | 第40-41页 |
4.1.3 用户行为信息 | 第41页 |
4.2 微博用户兴趣表示法 | 第41-43页 |
4.2.1 基于向量空间模型的表示方法 | 第42页 |
4.2.2 兴趣项目表示法 | 第42页 |
4.2.3 用户-项目矩阵表示法 | 第42-43页 |
4.2.4 兴趣关键词列表表示法 | 第43页 |
4.3 微博用户兴趣挖掘算法 | 第43-48页 |
4.3.1 微博用户兴趣来源分析 | 第43-44页 |
4.3.2 微博用户兴趣挖掘框架 | 第44页 |
4.3.3 长期兴趣计算 | 第44-47页 |
4.3.4 短期兴趣计算 | 第47-48页 |
4.4 实验与分析 | 第48-50页 |
4.4.1 实验方法 | 第48-49页 |
4.4.2 实验结果及分析 | 第49-50页 |
4.5 本章小结 | 第50-51页 |
5 系统设计与实现 | 第51-68页 |
5.1 系统概述 | 第51-54页 |
5.1.1 开发环境 | 第51-52页 |
5.1.2 系统整体框架 | 第52-54页 |
5.2 系统主要流程 | 第54-57页 |
5.2.1 个人信息浏览 | 第54页 |
5.2.2 用户兴趣浏览 | 第54-55页 |
5.2.3 相似用户浏览 | 第55-56页 |
5.2.4 推荐广告浏览 | 第56页 |
5.2.5 用户信息管理 | 第56-57页 |
5.2.6 日志信息管理 | 第57页 |
5.3 系统模块设计 | 第57-62页 |
5.3.1 数据采集模块 | 第57-59页 |
5.3.2 数据处理模块 | 第59-60页 |
5.3.3 用户兴趣挖掘模块 | 第60-61页 |
5.3.4 相似用户发现模块 | 第61页 |
5.3.5 个性化广告推荐模块 | 第61-62页 |
5.4 数据库设计 | 第62-64页 |
5.5 系统实现 | 第64-67页 |
5.6 本章小结 | 第67-68页 |
6 总结与展望 | 第68-70页 |
6.1 总结 | 第68页 |
6.2 展望 | 第68-70页 |
致谢 | 第70-71页 |
参考文献 | 第71-74页 |
附录 | 第74页 |