首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

基于多源信息的个性化微博用户推荐算法研究

摘要第3-4页
Abstract第4-5页
第1章 绪论第8-13页
    1.1 研究背景第8页
    1.2 研究意义第8-9页
    1.3 国内外研究现状第9-11页
        1.3.1 国外研究现状第9-10页
        1.3.2 国内研究现状第10-11页
    1.4 本文的研究内容第11页
    1.5 论文组织结构第11-12页
    1.6 本章小结第12-13页
第2章 微博用户推荐相关技术概述第13-21页
    2.1 个性化推荐第13-17页
        2.1.1 个性化推荐概述第13-14页
        2.1.2 个性化推荐的工作原理第14-15页
        2.1.3 个性化好友推荐算法第15-17页
    2.2 Spark并行计算框架第17-19页
        2.2.1 Spark应用的基本运行流程第17-19页
        2.2.2 弹性分布式数据集RDD的使用流程第19页
    2.3 本章小结第19-21页
第3章 基于Canopy和粗糙集的CRS-KNN文本分类算法第21-31页
    3.1 引言第21页
    3.2 优化KNN算法的相关工作第21-22页
    3.3 CRS-KNN算法基础理论第22-23页
        3.3.1 Canopy算法介绍第22页
        3.3.2 粗糙集的上、下近似集第22-23页
        3.3.3 KNN算法第23页
    3.4 数据的预处理第23-25页
        3.4.1 特征选择第23-24页
        3.4.2 构造空间向量模型第24-25页
    3.5 CRS-KNN算法第25-27页
        3.5.1 Canopy算法第26页
        3.5.2 CRS-KNN算法第26-27页
    3.6 实验设计与分析第27-30页
        3.6.1 实验环境与实验数据第27页
        3.6.2 评价指标第27-28页
        3.6.3 实验结果及分析第28-30页
    3.7 本章小结第30-31页
第4章 基于多源信息相似度的微博用户推荐算法第31-42页
    4.1 引言第31页
    4.2 推荐算法相关研究第31-32页
    4.3 多源信息相似度第32-34页
        4.3.1 用户微博内容相似度计算第32-33页
        4.3.2 用户交互行为相似度计算第33页
        4.3.3 用户社交关系相似度计算第33-34页
    4.4 MISUR微博用户推荐算法第34-37页
        4.4.1 微博用户分类第34页
        4.4.2 影响多源信息总相似度的因素第34-35页
        4.4.3 微博用户推荐第35-37页
        4.4.4 MISUR微博用户推荐算法并行化实现第37页
    4.5 实验结果与分析第37-41页
        4.5.1 实验环境与数据预处理第37-38页
        4.5.2 实验评价指标第38页
        4.5.3 实验结果分析第38-41页
    4.6 本章小结第41-42页
第5章 总结与展望第42-44页
    5.1 总结第42页
    5.2 展望第42-44页
参考文献第44-48页
在读期间发表的学术论文及研究成果第48-49页
致谢第49页

论文共49页,点击 下载论文
上一篇:《南方周末》新年献词的语言研究
下一篇:三权分置下我国农村土地信托制度探索