基于主题模型与用户兴趣的个性化新闻推荐算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 引言 | 第15页 |
| 1.2 研究背景以及意义 | 第15-16页 |
| 1.3 推荐系统研究现状 | 第16-17页 |
| 1.4 本文的研究工作与创新点 | 第17-18页 |
| 1.5 本文的结构 | 第18-21页 |
| 第二章 推荐系统技术综述 | 第21-33页 |
| 2.1 推荐系统技术 | 第21-26页 |
| 2.1.1 协同过滤推荐技术 | 第22-23页 |
| 2.1.2 基于内容的推荐技术 | 第23-24页 |
| 2.1.3 基于关联规则的推荐技术 | 第24页 |
| 2.1.4 基于知识的推荐技术 | 第24-25页 |
| 2.1.5 基于人口统计的推荐技术 | 第25页 |
| 2.1.6 混合推荐技术 | 第25-26页 |
| 2.1.7 各种推荐算法的优缺点 | 第26页 |
| 2.2 推荐系统技术瓶颈 | 第26-28页 |
| 2.2.1 数据稀疏性 | 第27页 |
| 2.2.2 冷启动 | 第27-28页 |
| 2.2.3 可扩展 | 第28页 |
| 2.3 推荐系统评测指标 | 第28-31页 |
| 2.3.1 平均绝对误差 | 第28-29页 |
| 2.3.2 准确率/召回率 | 第29-30页 |
| 2.3.3 覆盖率 | 第30页 |
| 2.3.4 多样性 | 第30-31页 |
| 2.3.5 可信任性 | 第31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 关键技术研究 | 第33-39页 |
| 3.1 主题模型技术研究 | 第33-36页 |
| 3.1.1 主题模型概述 | 第33-34页 |
| 3.1.2 主题模型发展历程 | 第34页 |
| 3.1.3 LDA主题模型 | 第34-36页 |
| 3.2 文本聚类技术研究 | 第36-38页 |
| 3.2.1 文本聚类技术概述 | 第36页 |
| 3.2.2 文本聚类技术分类 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 一种改进的相似度计算方法 | 第39-51页 |
| 4.1 传统相似度计算算法 | 第39-41页 |
| 4.1.1 余弦相似度 | 第39页 |
| 4.1.2 相关相似性 | 第39-40页 |
| 4.1.3 Jaccard相似度 | 第40-41页 |
| 4.2 时间效应 | 第41页 |
| 4.3 冷热门效应 | 第41页 |
| 4.4 主题模型 | 第41-42页 |
| 4.5 用户新闻模型 | 第42页 |
| 4.6 相似度计算 | 第42-47页 |
| 4.6.1 用户行为相似度计算 | 第43-45页 |
| 4.6.2 新闻内容相似度计算 | 第45页 |
| 4.6.3 命名实体相似度计算 | 第45-46页 |
| 4.6.4 混合相似度计算 | 第46-47页 |
| 4.7 实验验证 | 第47-49页 |
| 4.7.1 数据来源与实验设置 | 第47页 |
| 4.7.2 实验结果与分析 | 第47-49页 |
| 4.8 本章小结 | 第49-51页 |
| 第五章 个性化新闻推荐算法 | 第51-63页 |
| 5.1 个性化新闻推荐所面临的问题 | 第51-52页 |
| 5.2 预处理 | 第52页 |
| 5.3 用户兴趣模型 | 第52-56页 |
| 5.3.1 时间因子 | 第53-55页 |
| 5.3.2 用户长期兴趣偏好 | 第55-56页 |
| 5.3.3 用户短期兴趣偏好 | 第56页 |
| 5.4 长期-短期兴趣双层过滤推荐算法 | 第56-59页 |
| 5.4.1 长期兴趣过滤 | 第57-58页 |
| 5.4.2 短期兴趣过滤 | 第58-59页 |
| 5.5 实验验证 | 第59-61页 |
| 5.5.1 时间因子 | 第59-60页 |
| 5.5.2 算法性能分析 | 第60-61页 |
| 5.6 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 本文总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 作者简介 | 第71-72页 |
