| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 Web服务发展背景及前景 | 第11-12页 |
| 1.1.2 Web服务推荐的重要性 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 本文介绍 | 第15-17页 |
| 1.3.1 本文研究内容 | 第15-16页 |
| 1.3.2 本文组织结构 | 第16-17页 |
| 1.4 本章小结 | 第17-19页 |
| 2 Web服务概述及其推荐技术 | 第19-29页 |
| 2.1 Web服务概述 | 第19-22页 |
| 2.1.1 Web服务的定义 | 第19-20页 |
| 2.1.2 Web服务推荐技术的应用 | 第20-22页 |
| 2.2 Web服务个性化推荐技术 | 第22-25页 |
| 2.2.1 基于规则的推荐技术 | 第22-23页 |
| 2.2.2 基于内容的推荐技术 | 第23-24页 |
| 2.2.3 协同过滤推荐技术 | 第24-25页 |
| 2.3 基于QoS的Web服务推荐 | 第25-27页 |
| 2.4 本章小结 | 第27-29页 |
| 3 Web服务推荐相关知识和技术 | 第29-43页 |
| 3.1 用户兴趣度 | 第29-32页 |
| 3.1.1 Web服务中的用户兴趣度定义 | 第29页 |
| 3.1.2 用户兴趣度的求解 | 第29-32页 |
| 3.2 欧氏距离 | 第32-33页 |
| 3.2.1 欧氏距离的定义 | 第32页 |
| 3.2.2 欧氏距离在Web服务推荐中的应用 | 第32-33页 |
| 3.3 多元线性回归技术 | 第33-39页 |
| 3.3.1 一元线性回归 | 第33-36页 |
| 3.3.2 多元线性回归 | 第36-39页 |
| 3.4 梯度下降 | 第39-42页 |
| 3.4.1 梯度下降的定义与分类 | 第39-41页 |
| 3.4.2 梯度下降算法在Web服务推荐中的应用 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 基于QoS历史记录的Web服务推荐算法研究 | 第43-51页 |
| 4.1 相关研究 | 第43-44页 |
| 4.1.1 基于QoS的Web服务推荐方法存在的主要问题 | 第43-44页 |
| 4.1.2 研究环境 | 第44页 |
| 4.2 相关定义 | 第44-46页 |
| 4.2.1 用户的QoS历史记录 | 第44-45页 |
| 4.2.2 QoS预测函数 | 第45-46页 |
| 4.3 基于用户兴趣度的Web用户分簇 | 第46页 |
| 4.4 基于用户QoS历史记录的Web服务推荐算法 | 第46-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 仿真环境与性能分析 | 第51-57页 |
| 5.1 仿真工具介绍 | 第51页 |
| 5.2 仿真设置 | 第51-52页 |
| 5.3 性能分析 | 第52-56页 |
| 5.3.1 用户分簇精确度分析 | 第52-53页 |
| 5.3.2 WSRAHQ算法性能分析 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第64页 |