基于用户分析的个性化微博推荐技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 社交网络的特征分析 | 第10-11页 |
| 1.2.2 基于用户兴趣的微博推荐 | 第11-12页 |
| 1.2.3 基于机器学习方法的微博推荐 | 第12页 |
| 1.3 主要研究工作及创新点 | 第12-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 2 个性化微博推荐相关知识 | 第15-27页 |
| 2.1 微博结构及用户特征 | 第15-16页 |
| 2.1.1 微博结构 | 第15页 |
| 2.1.2 用户个人信息 | 第15-16页 |
| 2.1.3 用户微博信息 | 第16页 |
| 2.2 微博短文本挖掘 | 第16-19页 |
| 2.3 用户影响力相关研究 | 第19-21页 |
| 2.4 回归与梯度下降 | 第21-23页 |
| 2.5 排序学习方法 | 第23-26页 |
| 2.5.1 基于单文档的Pointwise方法 | 第24页 |
| 2.5.2 基于文档对的Pairwise方法 | 第24-26页 |
| 2.5.3 基于文档列表的Listwise方法 | 第26页 |
| 2.6 小结 | 第26-27页 |
| 3 基于排序学习的个性化微博推荐 | 第27-37页 |
| 3.1 引言 | 第27-28页 |
| 3.2 用户个性化特征量化 | 第28-31页 |
| 3.2.1 用户兴趣 | 第28页 |
| 3.2.2 用户影响力 | 第28-29页 |
| 3.2.3 好友集合相似度 | 第29-30页 |
| 3.2.4 用户活跃度 | 第30-31页 |
| 3.3 用户会话 | 第31-32页 |
| 3.4 训练数据构建 | 第32-33页 |
| 3.5 基于Pairwise方法的微博推荐 | 第33-36页 |
| 3.6 小结 | 第36-37页 |
| 4 实验结果及评价 | 第37-42页 |
| 4.1 数据集和数据的预处理 | 第37页 |
| 4.2 算法评价和方法比较 | 第37-40页 |
| 4.3 特征重要性分析 | 第40-41页 |
| 4.4 小结 | 第41-42页 |
| 结论 | 第42-44页 |
| 致谢 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 攻读硕士期间的研究成果及参加的科研项目 | 第49页 |
