基于主题模型的用户兴趣建模及在新闻推荐中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 主题模型 | 第13-14页 |
| 1.2.2 新闻推荐技术 | 第14-19页 |
| 1.3 主要研究工作和内容 | 第19-20页 |
| 1.4 论文的组织结构 | 第20页 |
| 1.5 本章小结 | 第20-21页 |
| 第二章 相关理论与技术 | 第21-33页 |
| 2.1 主题模型 | 第21-30页 |
| 2.1.1 LDA主题模型 | 第22-24页 |
| 2.1.2 Gibbs Sampling算法 | 第24-27页 |
| 2.1.3 Twitter- LDA模型 | 第27-28页 |
| 2.1.4 Topic-Match模型 | 第28-30页 |
| 2.2 Text Rank算法 | 第30-31页 |
| 2.3 混合推荐技术 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 用户兴趣的主题模型 | 第33-49页 |
| 3.1 问题定义与描述 | 第33-34页 |
| 3.2 新闻及用户兴趣的主题建模 | 第34-38页 |
| 3.2.1 新闻文本的建模 | 第34-36页 |
| 3.2.2 用户兴趣的建模 | 第36-38页 |
| 3.3 用户新闻兴趣的二次建模 | 第38-42页 |
| 3.3.1 用户核心实体抽取 | 第38-40页 |
| 3.3.2 相似用户挖掘 | 第40-41页 |
| 3.3.3 用户登录时间 | 第41-42页 |
| 3.4 用户在跨领域的主题兴趣迁移 | 第42-48页 |
| 3.4.1 研究出发点 | 第42页 |
| 3.4.2 用户在微博领域的兴趣建模 | 第42-44页 |
| 3.4.3 跨领域的主题融合 | 第44-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 新闻推荐算法设计 | 第49-69页 |
| 4.1 新闻推荐平台的总体设计 | 第49-50页 |
| 4.2 用户兴趣建模 | 第50-60页 |
| 4.2.1 用户在新闻领域的主题兴趣 | 第51-53页 |
| 4.2.2 用户的实体偏好分析 | 第53-56页 |
| 4.2.3 相似用户挖掘 | 第56页 |
| 4.2.4 用户在社交领域的主题兴趣 | 第56-60页 |
| 4.3 新闻主题建模 | 第60-62页 |
| 4.3.1 新闻主题特征提取 | 第60-61页 |
| 4.3.2 新闻核心命名实体提取 | 第61-62页 |
| 4.4 跨领域主题兴趣迁移 | 第62-65页 |
| 4.5 推荐与排序 | 第65-68页 |
| 4.5.1 混合推荐方法 | 第65-66页 |
| 4.5.2 新闻的时效特性 | 第66-67页 |
| 4.5.3 推荐列表筛选与排序 | 第67-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第五章 新闻推荐实验 | 第69-94页 |
| 5.1 实验设计目标 | 第69页 |
| 5.2 实验环境 | 第69-75页 |
| 5.2.1 新闻网页爬取与信息抽取 | 第69-72页 |
| 5.2.2 数据集构建 | 第72-73页 |
| 5.2.3 评测指标 | 第73-75页 |
| 5.3 主题模型的作用 | 第75-77页 |
| 5.3.1 LDA主题模型 | 第75-76页 |
| 5.3.2 基于LDA主题模型的推荐 | 第76-77页 |
| 5.4 用户兴趣建模 | 第77-81页 |
| 5.4.1 实验步骤 | 第78页 |
| 5.4.2 用户核心实体挖掘 | 第78-79页 |
| 5.4.3 实验对比 | 第79-81页 |
| 5.5 基于领域内用户兴趣的混合推荐 | 第81-85页 |
| 5.5.1 实验步骤 | 第82页 |
| 5.5.2 实验对比 | 第82-85页 |
| 5.6 基于跨领域兴趣迁移的混合推荐 | 第85-93页 |
| 5.6.1 Twitter- LDA主题模型 | 第85-87页 |
| 5.6.2 完全的用户“冷启动” | 第87-90页 |
| 5.6.3 挖掘未知的用户新闻阅读兴趣 | 第90-93页 |
| 5.7 本章小结 | 第93-94页 |
| 结论与展望 | 第94-96页 |
| 参考文献 | 第96-100页 |
| 攻读硕士学位期间取得的研究成果 | 第100-101页 |
| 致谢 | 第101-102页 |
| 附件 | 第102页 |
