基于情景信息的用户兴趣度建模研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 用户兴趣建模研究 | 第15-27页 |
| 2.1 用户兴趣建模方法 | 第15-18页 |
| 2.1.1 向量空间表示方法 | 第16-17页 |
| 2.1.2 粗细粒度表示方法 | 第17页 |
| 2.1.3 概念语义表示方法 | 第17-18页 |
| 2.2 文本处理及表征相关技术 | 第18-22页 |
| 2.2.1 网页文本内容提取 | 第18-20页 |
| 2.2.2 中文分词 | 第20-21页 |
| 2.2.3 TF-IDF算法 | 第21-22页 |
| 2.3 文本相似度计算 | 第22-23页 |
| 2.3.1 余弦相似度 | 第22-23页 |
| 2.3.2 KL散度 | 第23页 |
| 2.4 文本聚类算法 | 第23-26页 |
| 2.4.1 层次聚类方法 | 第24-25页 |
| 2.4.2 K-means聚类算法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 情景建模相关技术研究 | 第27-33页 |
| 3.1 情景定义及获取 | 第27-29页 |
| 3.1.1 情景定义 | 第27-28页 |
| 3.1.2 情景获取 | 第28-29页 |
| 3.2 情景处理方式 | 第29-30页 |
| 3.2.1 情景预过滤 | 第29-30页 |
| 3.2.2 情景后过滤 | 第30页 |
| 3.2.3 情景模型 | 第30页 |
| 3.3 情景偏好提取技术 | 第30-31页 |
| 3.4 情景相似度 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 基于情景的层次性向量空间模型 | 第33-47页 |
| 4.1 用户兴趣三维建模 | 第34页 |
| 4.2 基于情景的层次性向量空间模型表示 | 第34-35页 |
| 4.3 基于PV提取用户兴趣类别 | 第35-36页 |
| 4.4 基于网页内容提取用户兴趣关键词 | 第36-40页 |
| 4.4.1 网页正文内容提取 | 第36-37页 |
| 4.4.2 中文分词处理 | 第37-38页 |
| 4.4.3 特征词权重计算 | 第38-39页 |
| 4.4.4 改进的文本特征聚类算法 | 第39-40页 |
| 4.5 实验与分析 | 第40-46页 |
| 4.5.1 实验数据 | 第40-43页 |
| 4.5.2 实验环境 | 第43页 |
| 4.5.3 评价指标 | 第43页 |
| 4.5.4 实验过程 | 第43-44页 |
| 4.5.5 实验结果 | 第44-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第五章 基于情景的用户兴趣主题模型 | 第47-65页 |
| 5.1 模型设计思想 | 第47-48页 |
| 5.2 LDA主题模型概述 | 第48-54页 |
| 5.2.1 模型基本介绍 | 第48-50页 |
| 5.2.2 参数估计 | 第50-53页 |
| 5.2.3 LDA在用户兴趣建模中的应用 | 第53-54页 |
| 5.3 基于情景的用户兴趣主题模型 | 第54-56页 |
| 5.3.1 模型介绍 | 第54-55页 |
| 5.3.2 模型表示 | 第55-56页 |
| 5.4 基于情景的用户兴趣主题模型设计 | 第56-60页 |
| 5.4.1 文本预处理模块 | 第57页 |
| 5.4.2 主题模型训练模块 | 第57-59页 |
| 5.4.3 用户兴趣构建模块 | 第59-60页 |
| 5.5 实验与分析 | 第60-64页 |
| 5.5.1 数据预处理 | 第60-61页 |
| 5.5.2 评价指标 | 第61页 |
| 5.5.3 用户兴趣主题总体分布 | 第61-63页 |
| 5.5.4 不同情景下用户兴趣主题分布 | 第63页 |
| 5.5.5 模型评估 | 第63-64页 |
| 5.6 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 论文总结 | 第65页 |
| 6.2 工作展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间的研究成果 | 第71-73页 |
| 致谢 | 第73页 |
