微博个性化信息推荐方法研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 微博文本研究现状 | 第12页 |
| 1.2.2 微博社交关系研究现状 | 第12-13页 |
| 1.2.3 微博推荐算法研究现状 | 第13-14页 |
| 1.3 论文的主要工作 | 第14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 相关理论与技术 | 第16-24页 |
| 2.1 推荐系统介绍 | 第16-17页 |
| 2.2 微博个性化推荐方法原理 | 第17-18页 |
| 2.3 微博文本处理 | 第18-22页 |
| 2.3.1 向量空间模型VSM | 第19页 |
| 2.3.2 TF-IDF模型 | 第19-20页 |
| 2.3.3 LDA主题模型 | 第20-22页 |
| 2.4 相似度计算 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 数据采集 | 第24-29页 |
| 3.1 准备工作 | 第24页 |
| 3.2 爬取策略 | 第24-28页 |
| 3.2.1 模拟登录微博获取cookies | 第25-26页 |
| 3.2.2 构造User-Agent池 | 第26-27页 |
| 3.2.3 初始化爬取用户ID执行爬取任务 | 第27页 |
| 3.2.4 爬虫参数配置 | 第27-28页 |
| 3.3 数据分布 | 第28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 融合博文内容和社交关系的好友推荐 | 第29-43页 |
| 4.1 问题描述 | 第29-30页 |
| 4.2 融合博文内容和社交关系的好友推荐方法 | 第30-37页 |
| 4.2.1 系统框架 | 第30-31页 |
| 4.2.2 数据预处理 | 第31页 |
| 4.2.3 用户间内容相似度计算 | 第31-34页 |
| 4.2.4 社交关系相似度计算 | 第34-35页 |
| 4.2.5 用户间综合相似度计算 | 第35-36页 |
| 4.2.6 好友推荐 | 第36-37页 |
| 4.3 实验结果与分析 | 第37-42页 |
| 4.3.1 评价指标 | 第37-38页 |
| 4.3.2 基于内容的好友推荐分析 | 第38-39页 |
| 4.3.3 内容与社交关系权重比分析 | 第39页 |
| 4.3.4 对比实验分析 | 第39-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 多源信息相似的博文推荐 | 第43-52页 |
| 5.1 问题描述 | 第43-44页 |
| 5.2 基于标签的博文推荐 | 第44-47页 |
| 5.2.1 用户标签获取 | 第44-46页 |
| 5.2.2 标签相似度计算 | 第46页 |
| 5.2.3 基于标签的博文推荐 | 第46-47页 |
| 5.3 多源信息相似的博文推荐 | 第47-49页 |
| 5.3.1 系统框架 | 第47-48页 |
| 5.3.2 算法描述 | 第48-49页 |
| 5.4 实验设计与结果分析 | 第49-51页 |
| 5.4.1 数据预处理 | 第49页 |
| 5.4.2 数据描述 | 第49页 |
| 5.4.3 实验评价标准 | 第49-50页 |
| 5.4.4 实验结果与相关分析 | 第50-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 论文工作总结 | 第52页 |
| 6.2 下一步工作展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间的科研成果 | 第58-59页 |
| 致谢 | 第59-60页 |
