| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 本文主要研究内容 | 第9-10页 |
| 1.2.1 基于语言模型的相似词与相近词研究 | 第9页 |
| 1.2.2 基于语言模型的词推荐与人物推荐 | 第9页 |
| 1.2.3 基于混合推荐的用户群体及相关信息推荐 | 第9-10页 |
| 1.3 存在问题与挑战 | 第10-11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 第2章 相关工作综述 | 第12-16页 |
| 2.1 基于语言模型的相似词与相近词的相关工作综述 | 第12-13页 |
| 2.2 基于语言模型的词推荐与人物推荐相关工作综述 | 第13-14页 |
| 2.3 基于混合推荐的用户群体及相关信息推荐相关工作综述 | 第14-15页 |
| 2.4 本章小结 | 第15-16页 |
| 第3章 基于语言模型的相似词与相近词研究 | 第16-30页 |
| 3.1 面向短文本的处理方法 | 第16-17页 |
| 3.1.1 短文本分析 | 第16页 |
| 3.1.2 语法信息补充与语句修正方法 | 第16-17页 |
| 3.2 基于POS-CBOW语言模型的相似词研究 | 第17-24页 |
| 3.2.1 POS-CBOW语言模型 | 第18-20页 |
| 3.2.2 基于POS-CBOW语言模型的相似词计算 | 第20-22页 |
| 3.2.3 实验结果 | 第22-24页 |
| 3.3 基于POS-Skip-gram语言模型的相近词研究 | 第24-29页 |
| 3.3.1 POS-Skip-gram语言模型 | 第24-26页 |
| 3.3.2 基于POS-Skip-gram语言模型的相近词计算 | 第26-28页 |
| 3.3.3 实验结果 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第4章 基于语言模型的词推荐与人物推荐 | 第30-40页 |
| 4.1 基于语言模型的词推荐与人物推荐概述 | 第30-31页 |
| 4.2 基于语言模型的词推荐 | 第31-35页 |
| 4.2.1 推荐原理 | 第31-33页 |
| 4.2.2 词推荐计算 | 第33-34页 |
| 4.2.3 实验与分析 | 第34-35页 |
| 4.3 基于语言模型的人物推荐 | 第35-39页 |
| 4.3.1 推荐原理 | 第36-37页 |
| 4.3.2 人物推荐计算 | 第37-38页 |
| 4.3.3 实验与分析 | 第38-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第5章 基于混合推荐的用户群体及相关信息推荐 | 第40-54页 |
| 5.1 基于混合推荐的用户群体及相关信息推荐概述 | 第40页 |
| 5.2 混合推荐算法 | 第40-42页 |
| 5.3 混合推荐原理 | 第42-46页 |
| 5.3.1 基于语言模型的词的语义分级联想 | 第42-43页 |
| 5.3.2 基于语义分级联想的相关用户发现 | 第43-44页 |
| 5.3.3 用户群体建模 | 第44-46页 |
| 5.4 实验 | 第46-52页 |
| 5.4.1 实验数据集 | 第46-47页 |
| 5.4.2 实验步骤 | 第47-50页 |
| 5.4.3 实验分析 | 第50-52页 |
| 5.5 本章小结 | 第52-54页 |
| 第6章 基于新浪微博的推荐系统应用实例 | 第54-60页 |
| 6.1 系统总体设计 | 第54页 |
| 6.2 系统的功能模块 | 第54-55页 |
| 6.3 系统应用展示 | 第55-58页 |
| 6.4 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间所发表的论文 | 第66-68页 |
| 致谢 | 第68页 |
