| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 用户属性 | 第12-13页 |
| 1.2.2 用户行为 | 第13-14页 |
| 1.2.3 用户兴趣迁移 | 第14页 |
| 1.3 研究内容和主要工作 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 2 用户建模相关技术 | 第16-23页 |
| 2.1 用户兴趣模型构建方法 | 第16-17页 |
| 2.2 用户数据挖掘 | 第17-19页 |
| 2.2.1 用户生成内容挖掘 | 第18页 |
| 2.2.2 用户行为信息挖掘 | 第18-19页 |
| 2.3 短文本处理 | 第19-21页 |
| 2.3.1 短文本分析面临的挑战 | 第19-20页 |
| 2.3.2 微博短文本降噪 | 第20-21页 |
| 2.4 中文文本预处理 | 第21-22页 |
| 2.4.1 中文分词 | 第21-22页 |
| 2.4.2 去停用词 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 兴趣描述方法 | 第23-37页 |
| 3.1 兴趣描述方法概述 | 第23-24页 |
| 3.2 关键词提取 | 第24-28页 |
| 3.2.1 词向量 | 第25页 |
| 3.2.2 基于词向量的关键词提取 | 第25-27页 |
| 3.2.3 关键词重构 | 第27-28页 |
| 3.3 用户兴趣知识仓库 | 第28页 |
| 3.4 基于开放式分类目录的兴趣标签空间 | 第28-30页 |
| 3.4.1 开放式分类目录 | 第29-30页 |
| 3.4.2 兴趣标签空间的构建 | 第30页 |
| 3.5 兴趣映射 | 第30-33页 |
| 3.5.1 词语语义相似度计算 | 第30-31页 |
| 3.5.2 兴趣映射算法 | 第31-33页 |
| 3.6 实验设计与分析 | 第33-36页 |
| 3.7 本章小结 | 第36-37页 |
| 4 用户兴趣建模 | 第37-49页 |
| 4.1 用户长期兴趣挖掘 | 第37-39页 |
| 4.1.1 归一化用户行为矩阵 | 第38页 |
| 4.1.2 基于用户生成内容的长期兴趣建模 | 第38-39页 |
| 4.2 用户短期兴趣挖掘 | 第39-42页 |
| 4.2.1 衰减函数 | 第39-40页 |
| 4.2.2 基于时间衰减模型的短期兴趣建模 | 第40-42页 |
| 4.3 兴趣融合 | 第42页 |
| 4.4 兴趣迁移发现 | 第42-44页 |
| 4.4.1 兴趣迁移 | 第43页 |
| 4.4.2 基于兴趣度历史相似度的用户兴趣迁移发现 | 第43-44页 |
| 4.5 实验设计与分析 | 第44-47页 |
| 4.6 本章小结 | 第47-49页 |
| 5 用户兴趣挖掘系统的设计与实现 | 第49-58页 |
| 5.1 系统需求分析 | 第49页 |
| 5.2 总体设计 | 第49-50页 |
| 5.3 系统总体实施方案 | 第50-53页 |
| 5.3.1 预处理模块 | 第51-52页 |
| 5.3.2 关键词提取模块 | 第52页 |
| 5.3.3 兴趣标签构建模块 | 第52-53页 |
| 5.3.4 用户模型构建与更新模块 | 第53页 |
| 5.4 系统实现 | 第53-57页 |
| 5.4.1 实现环境 | 第53-54页 |
| 5.4.2 数据结构 | 第54-56页 |
| 5.4.3 系统运行效果展示 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 6 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第62-64页 |
| 学位论文数据集 | 第64页 |