摘要4-5
Abstract5-9
第一章 绪论9-14
1.1 课题探讨背景及国内外探讨近况9-11
1.1.1 信息推送系统介绍10
1.1.2 用户兴趣模型中相关技术介绍10-11
1.2 本论文的探讨内容11-12
1.3 本论文的内容安排12-14
第二章 用户兴趣模型的相关技术14-22
2.1 用户兴趣模型中的信息来源及信息获取14-15
2.2 用户兴趣模型的表示策略探讨15-19
2.2.1 基于向量空间模型的表示15-17
2.2.2 基于用户-项目评价矩阵的表示策略17
2.2.3 基于神经网络的表示17-18
2.2.4 基于粗细兴趣粒度的表示18
2.2.5 其他表示策略18-19
2.3 用户兴趣模型的更新学习技术探讨19-21
2.3.1 基于信息论19
2.3.2 基于实例19-20
2.3.3 基于神经网络20
2.3.4 其他更新学习技术20-21
2.4 本章小结21-22
第三章 基于Rocchio反馈的用户兴趣模型构建与更新22-32
3.1 用户反馈技术22-25
3.1.1 显式反馈22-23
3.1.2 隐式反馈23-25
3.2 用户兴趣模型表示方式的改善25-27
3.3 Rocchio反馈技术27-28
3.4 建立用户兴趣模型28-29
3.4.1 以微博内容中获取用户兴趣28
3.4.2 用户长短期兴趣建模28-29
3.5 用户兴趣模型的学习和更新29-31
3.5.1 用户短期兴趣模型的更新29-30
3.5.2 用户长期兴趣模型的更新30-31
3.6 本章小结31-32
第四章 基于兴趣模型的信息推送系统的设计32-41
4.1 系统的总体设计案例32-33
4.2 系统核心功能模块的实现33-40
4.2.1 文本分词模块33-34
4.2.2 关键词词提取模块34-36
4.2.2.1 关键词抽取算法34-35
4.2.2.2 训练阶段35-36
4.2.2.3 提取阶段36
4.2.3 文本分类模块36-38
4.2.3.1 训练阶段37
4.2.3.2 分类阶段37-38
4.2.4 兴趣模型模块38-39
4.2.5 信息推送模块39-40
4.3 本章小结40-41
第五章 系统实验和结果浅析41-49
5.1 实验41-43
5.1.1 实验环境41
5.1.2 实验策略41-43
5.2 实验结果浅析43-48
5.2.1 不同兴趣模型更新学习技术的性能比较44-45
5.2.2 不同类型用户利用系统的实验结果浅析45-48
5.3 本章小结48-49
第六章 工作总结与展望49-51
6.1 工作总结49
6.2 工作展望49-51