| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-15页 |
| ·研究背景及意义 | 第9-10页 |
| ·微博概述及微博推荐概述 | 第10-12页 |
| ·微博的崛起与发展 | 第10-12页 |
| ·微博推荐概述 | 第12页 |
| ·国内外用户推荐研究现状 | 第12-13页 |
| ·本文的研究内容 | 第13-14页 |
| ·本文的组织结构 | 第14-15页 |
| 第2章 推荐算法关键技术及新浪微博推荐方式 | 第15-25页 |
| ·推荐系统概述 | 第15-16页 |
| ·主要推荐算法综述 | 第16-23页 |
| ·基于内容的推荐算法 | 第16-18页 |
| ·协同过滤推荐算法 | 第18-22页 |
| ·基于知识的推荐算法 | 第22页 |
| ·混合推荐算法 | 第22-23页 |
| ·新浪微博推荐方式介绍 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 微博中热点关注者推荐 | 第25-37页 |
| ·热点关注者推荐问题概述 | 第25-26页 |
| ·当前热点用户的识别方法 | 第26-29页 |
| ·基于网页链接的热点度识别 | 第26页 |
| ·基于用户操作的热点度识别 | 第26-27页 |
| ·基于网址跟踪的热点度识别 | 第27页 |
| ·基于 Twitter User Rank 热点度识别 | 第27-29页 |
| ·活跃用户的识别 | 第29-32页 |
| ·相关概念介绍 | 第29-30页 |
| ·算法分析基础 | 第30页 |
| ·活跃指数模型 | 第30-31页 |
| ·确定权系数 | 第31-32页 |
| ·热点用户的筛选 | 第32-36页 |
| ·博文影响力 | 第33-34页 |
| ·声誉值 | 第34-35页 |
| ·被访问量 | 第35页 |
| ·热点指数模型 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 微博中个性化关注者推荐 | 第37-47页 |
| ·贝叶斯算法概述 | 第37-39页 |
| ·分类问题综述 | 第37-38页 |
| ·贝叶斯定理 | 第38页 |
| ·朴素贝叶斯分类 | 第38-39页 |
| ·微博个性化关注者推荐的影响因素 | 第39-40页 |
| ·基于贝叶斯分类的微博个性化关注者推荐算法 | 第40-46页 |
| ·用户相似度的计算 | 第41-42页 |
| ·基于贝叶斯理论的协同过滤推荐技术 | 第42-45页 |
| ·算法的详细步骤 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第5章 实验与结果分析 | 第47-57页 |
| ·实验环境配置 | 第47页 |
| ·实验数据来源 | 第47-49页 |
| ·实验评价指标 | 第49页 |
| ·热点关注者推荐实验结果与分析 | 第49-53页 |
| ·个性化关注者推荐实验结果与分析 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 作者简介 | 第65页 |