隨著社交網(wǎng)絡(luò)的飛速發(fā)展,人與人之間的關(guān)系逐漸網(wǎng)絡(luò)化。社交網(wǎng)絡(luò)已經(jīng)影響到人們生活中的許多方面,但由于社交網(wǎng)絡(luò)數(shù)據(jù)的指數(shù)爆炸增長的特性,使得人們在社交網(wǎng)絡(luò)中擁有多樣性、便利性的同時,也遇到了選擇復(fù)雜、信息干擾的難題。因此,本文針對社交網(wǎng)絡(luò)中的話題進(jìn)行熱點預(yù)測與推薦模型研究。網(wǎng)絡(luò)熱點話題不僅具有實時性、多樣性的特點,同時與傳統(tǒng)的媒體新聞相比,話題文本還包含維數(shù)高、數(shù)據(jù)稀疏、用語不規(guī)范等特點,從而導(dǎo)致熱點話題的分類預(yù)測與推薦效果不穩(wěn)定且準(zhǔn)確度低的問題。本文針對熱點話題的分類與推薦存在的問題進(jìn)行了研究與分析,主要工作包含以下幾個方面:（1）針對熱點話題預(yù)測框架設(shè)計問題,本文基于文本挖掘過程設(shè)計了熱點話題預(yù)測的結(jié)構(gòu)框架,基于CRISP-DM標(biāo)準(zhǔn)過程設(shè)計了熱點話題預(yù)測的流程框架。針對話題文本內(nèi)部特征抽取問題,本文構(gòu)建了一種混合特征向量。該混合特征向量空間在考慮熱點話題的文本內(nèi)容特征的同時,也考慮了熱點話題的轉(zhuǎn)發(fā)數(shù)、評論數(shù)等數(shù)值型特征。（2）針對熱點話題分類模型設(shè)計問題,本文對比分析了邏輯回歸、SVM和隨機森林三種分類算法模型的性能,基于邏輯回歸、SVM、隨機森林三種分類算法,本文提出了一種基于加權(quán)投... 

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀及分析
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
        1.2.3 國內(nèi)外文獻(xiàn)綜述簡析
    1.3 研究內(nèi)容與組織結(jié)構(gòu)
        1.3.1 研究內(nèi)容
        1.3.2 組織結(jié)構(gòu)
第2章 熱點話題預(yù)測的框架設(shè)計
    2.1 熱點話題預(yù)測的問題分析
    2.2 熱點話題預(yù)測的結(jié)構(gòu)設(shè)計
        2.2.1 熱點話題特征指標(biāo)
        2.2.2 熱點話題預(yù)測結(jié)構(gòu)
    2.3 熱點話題預(yù)測的流程設(shè)計
        2.3.1 預(yù)測流程基本概念
        2.3.2 熱點話題預(yù)測流程
    2.4 本章小結(jié)
第3章 熱點話題預(yù)測模型對比研究
    3.1 數(shù)據(jù)來源及預(yù)處理
        3.1.1 數(shù)據(jù)來源
        3.1.2 數(shù)據(jù)預(yù)處理
    3.2 文本特征選擇
    3.3 向量空間構(gòu)建
    3.4 分類預(yù)測實驗對比
        3.4.1 邏輯回歸預(yù)測
        3.4.2 SVM預(yù)測
        3.4.3 隨機森林預(yù)測
        3.4.4 組合分類預(yù)測
    3.5 實驗結(jié)果分析
    3.6 本章小結(jié)
第4章 熱點話題推薦模型研究
    4.1 熱點話題推薦的問題分析
    4.2 推薦算法模型
        4.2.1 基于內(nèi)容的推薦算法
        4.2.2 基于協(xié)同過濾的推薦算法
        4.2.3 動態(tài)混合推薦模型
    4.3 相似度度量
    4.4 實驗與分析
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于用戶偏好動態(tài)變化的協(xié)同過濾推薦[J]. 姜書浩,張立毅,周娜.  計算機與現(xiàn)代化. 2020(01)
[2]基于TF-IDF和互信息的推薦算法研究[J]. 張云純.  計算機時代. 2019(12)
[3]基于特征約簡的隨機森林改進(jìn)算法研究[J]. 王誠,高蕊.  計算機技術(shù)與發(fā)展. 2020(03)
[4]基于深度神經(jīng)網(wǎng)絡(luò)和改進(jìn)相似性度量的推薦算法[J]. 鄒鋒.  計算機應(yīng)用與軟件. 2019(11)
[5]基于協(xié)同過濾和隱語義模型的混合推薦算法[J]. 徐吉,李小波,陳華輝,許浩.  計算機技術(shù)與發(fā)展. 2020(02)
[6]基于用戶特定特征及內(nèi)容的景點推薦模型研究[J]. 李川,張少茹.  計算機與數(shù)字工程. 2019(10)
[7]協(xié)同過濾推薦算法研究[J]. 李曉瑜.  計算機與數(shù)字工程. 2019(09)
[8]基于時間效應(yīng)的興趣點推薦混合模型[J]. 張岐山,李可,林小榕.  計算機工程. 2019(08)
[9]一種模型決策森林算法[J]. 尹儒,門昌騫,王文劍.  計算機科學(xué)與探索. 2020(01)
[10]一種融合標(biāo)簽語義的微博熱點話題挖掘方法[J]. 周福星,陳秀真,馬進(jìn),李生紅.  計算機工程. 2019(10)



本文編號：3694522