基于Spark的大规模社交媒体中用户兴趣建模研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 用户兴趣表示研究 | 第12-13页 |
| 1.2.2 用户兴趣构建研究 | 第13-16页 |
| 1.2.3 数据采集与模型评价 | 第16页 |
| 1.3 论文的主要研究内容 | 第16-17页 |
| 1.4 论文的结构安排 | 第17-19页 |
| 第二章 相关理论与技术 | 第19-29页 |
| 2.1 用户兴趣的表示 | 第19-21页 |
| 2.1.1 基于关键词的表示 | 第19-20页 |
| 2.1.2 基于概念和层次的表示 | 第20-21页 |
| 2.1.3 基于语义的表示 | 第21页 |
| 2.2 文本分类算法 | 第21-24页 |
| 2.2.1 Rocchio算法 | 第21-22页 |
| 2.2.2 K最近邻算法 | 第22页 |
| 2.2.3 决策树 | 第22-23页 |
| 2.2.4 朴素贝叶斯 | 第23-24页 |
| 2.3 文本聚类算法 | 第24-26页 |
| 2.3.1 基于划分的聚类算法 | 第24页 |
| 2.3.2 基于层次的聚类算法 | 第24-25页 |
| 2.3.3 基于密度的聚类算法 | 第25页 |
| 2.3.4 Single-Pass聚类算法 | 第25-26页 |
| 2.4 Spark相关理论 | 第26-27页 |
| 2.5 Word2vec相关理论 | 第27页 |
| 2.6 本章小结 | 第27-29页 |
| 第三章 基于时间的用户兴趣主题模型 | 第29-47页 |
| 3.1 数据预处理 | 第29-30页 |
| 3.2 用户兴趣主题抽取 | 第30-36页 |
| 3.2.1 文本表示 | 第30-32页 |
| 3.2.2 文本相似性评估 | 第32-33页 |
| 3.2.3 主题构建 | 第33-36页 |
| 3.3 实验结果与讨论 | 第36-42页 |
| 3.3.1 数据描述 | 第36-37页 |
| 3.3.2 实验评估指标 | 第37-38页 |
| 3.3.3 实验结果 | 第38-42页 |
| 3.4 主题模型的并行化 | 第42-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于贝叶斯的用户兴趣类别模型 | 第47-57页 |
| 4.1 类别体系 | 第47页 |
| 4.2 文本特征选择与表示 | 第47-48页 |
| 4.3 类别抽取 | 第48-50页 |
| 4.4 实验结果与讨论 | 第50-52页 |
| 4.4.1 数据描述 | 第50页 |
| 4.4.2 评价指标 | 第50-51页 |
| 4.4.3 实验结果分析 | 第51-52页 |
| 4.5 类别模型的并行化 | 第52-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 用户兴趣词三层模型和混合模型 | 第57-69页 |
| 5.1 兴趣词三层模型的框架 | 第57-60页 |
| 5.1.1 候选词抽取层 | 第58页 |
| 5.1.2 语义结构分析层 | 第58-59页 |
| 5.1.3 兴趣词评分层 | 第59-60页 |
| 5.2 增量的兴趣词三层模型 | 第60-61页 |
| 5.3 实验与讨论 | 第61-63页 |
| 5.3.1 数据描述 | 第61页 |
| 5.3.2 评价指标与实验结果 | 第61-63页 |
| 5.4 三层模型的并行化 | 第63-66页 |
| 5.5 基于层次结构的兴趣混合模型 | 第66-68页 |
| 5.6 本章小结 | 第68-69页 |
| 第六章 全文总结与展望 | 第69-71页 |
| 6.1 全文总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-79页 |
| 攻读硕士学位期间取得的成果 | 第79-80页 |
