微博用户标签推荐算法研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 研究意义 | 第15-18页 |
| 1.3 国内外研究现状 | 第18-22页 |
| 1.3.1 标签推荐研究现状 | 第18-21页 |
| 1.3.2 难点分析及解决方法 | 第21-22页 |
| 1.4 论文研究内容及章节安排 | 第22-24页 |
| 1.4.1 研究内容 | 第22-24页 |
| 1.4.2 章节安排 | 第24页 |
| 1.5 本章小结 | 第24-25页 |
| 第二章 MUTR研究基础 | 第25-36页 |
| 2.1 推荐系统 | 第25-31页 |
| 2.1.1 推荐系统的概述 | 第25-27页 |
| 2.1.2 推荐算法的分类 | 第27-31页 |
| 2.2 基于矩阵分解的推荐算法 | 第31-33页 |
| 2.2.1 NMF算法 | 第31-32页 |
| 2.2.2 SoReg算法 | 第32-33页 |
| 2.3 LDA主题模型 | 第33-35页 |
| 2.3.1 LDA主题模型的基本原理 | 第33-34页 |
| 2.3.2 基于Gibbs采样的参数估计 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于降噪关系正则化的微博用户标签推荐 | 第36-56页 |
| 3.1 引言 | 第36-37页 |
| 3.2 数据定义与模型描述 | 第37-39页 |
| 3.2.1 数据定义及符号说明 | 第37-39页 |
| 3.2.2 模型描述 | 第39页 |
| 3.3 问题建模 | 第39-43页 |
| 3.3.1 基于LDA主题模型的用户兴趣建模 | 第39-41页 |
| 3.3.2 降噪关系矩阵的获取 | 第41-43页 |
| 3.3.3 BN3R-MUTR算法 | 第43页 |
| 3.4 目标函数的优化 | 第43-44页 |
| 3.5 算法步骤及描述 | 第44-46页 |
| 3.6 实验结果及分析 | 第46-55页 |
| 3.6.1 实验环境及数据集介绍 | 第46页 |
| 3.6.2 Sina数据集上的实验分析 | 第46-53页 |
| 3.6.3 Track1数据集上的实验分析 | 第53-55页 |
| 3.7 本章总结 | 第55-56页 |
| 第四章 基于社交关系正则化的微博用户标签推荐 | 第56-67页 |
| 4.1 引言 | 第56-57页 |
| 4.2 模型描述 | 第57-58页 |
| 4.3 交互信任矩阵的获取 | 第58-60页 |
| 4.4 基于社交关系正则化的微博用户标签推荐 | 第60-63页 |
| 4.4.1 社交关系正则化 | 第60-61页 |
| 4.4.2 目标函数的优化 | 第61页 |
| 4.4.3 算法步骤 | 第61-63页 |
| 4.5 实验结果与分析 | 第63-66页 |
| 4.5.1 数据集与评价标准 | 第63页 |
| 4.5.2 用户之间标签的相似度分析 | 第63-64页 |
| 4.5.3 用户标签推荐性能比较分析 | 第64-65页 |
| 4.5.4 参数ζ对实验结果的影响 | 第65-66页 |
| 4.6 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-70页 |
| 5.1 工作总结 | 第67-68页 |
| 5.2 工作展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间发表的论文 | 第75-76页 |
| 攻读硕士学位期间参与的科研项目 | 第76页 |
