| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 评论文本挖掘相关研究 | 第10-12页 |
| 1.2.2 推荐算法研究 | 第12-16页 |
| 1.3 本文研究内容及组织结构 | 第16-17页 |
| 第2章 文本挖掘及推荐系统相关技术 | 第17-25页 |
| 2.1 文本去重 | 第17-18页 |
| 2.2 去停用词 | 第18页 |
| 2.3 文本分词 | 第18-19页 |
| 2.3.1 基于词典的分词算法 | 第18-19页 |
| 2.3.2 基于词频统计的分词算法 | 第19页 |
| 2.3.3 基于语义的分词算法 | 第19页 |
| 2.4 特征降维 | 第19-22页 |
| 2.4.1 特征选择 | 第20页 |
| 2.4.2 特征提取 | 第20-22页 |
| 2.5 推荐算法概述 | 第22-24页 |
| 2.5.1 协同过滤推荐算法 | 第22-23页 |
| 2.5.2 基于内容推荐算法 | 第23-24页 |
| 2.5.3 关联规则推荐算法 | 第24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 用户评论文本情感分析 | 第25-38页 |
| 3.1 词袋模型 | 第25-26页 |
| 3.2 词向量表示 | 第26-27页 |
| 3.2.1 独热表示(One-hotRepresentation) | 第26页 |
| 3.2.2 分布式表示(DistributedRepresentation) | 第26-27页 |
| 3.3 word2vec词向量模型 | 第27-29页 |
| 3.4 分类算法 | 第29-34页 |
| 3.4.1 朴素贝叶斯 | 第29页 |
| 3.4.2 支持向量机 | 第29-30页 |
| 3.4.3 决策树 | 第30-32页 |
| 3.4.4 随机森林 | 第32-34页 |
| 3.5 实验 | 第34-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 基于扩展LDA主题模型的个性化推荐算法 | 第38-47页 |
| 4.1 扩展的LDA模型文本向量化 | 第38-41页 |
| 4.1.1 LDA主题特征词扩展 | 第38-40页 |
| 4.1.2 主题特征词权重计算 | 第40-41页 |
| 4.2 用户兴趣挖掘 | 第41-43页 |
| 4.3 个性化推荐相似度计算 | 第43页 |
| 4.4 物品冷启动问题 | 第43-44页 |
| 4.5 产品推荐 | 第44-45页 |
| 4.6 实验 | 第45-46页 |
| 4.7 本章小结 | 第46-47页 |
| 第5章 个性化推荐系统实验及分析 | 第47-57页 |
| 5.1 实验数据获取 | 第47-49页 |
| 5.2 个性化推荐系统实现 | 第49-52页 |
| 5.2.1 整体架构 | 第49-50页 |
| 5.2.2 系统具体实现 | 第50-52页 |
| 5.3 实验评价指标 | 第52-54页 |
| 5.3.1 平均绝对误差法 | 第52-53页 |
| 5.3.2 准确率和召回率方法 | 第53-54页 |
| 5.4 实验结果分析 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读学位期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64页 |