| 摘要 | 第5-8页 |
| ABSTRACT | 第8-11页 |
| 第1章 绪论 | 第22-37页 |
| 1.1 研究背景及意义 | 第22-24页 |
| 1.2 社交网络信息传播研究进展 | 第24-32页 |
| 1.2.1 社交网络传播模型国内外研究进展 | 第24-27页 |
| 1.2.2 社交网络传播链路预测国内外研究进展 | 第27-30页 |
| 1.2.3 社交网络信息推荐国内外研究进展 | 第30-32页 |
| 1.3 论文结构和创新点 | 第32-37页 |
| 1.3.1 论文结构 | 第32-36页 |
| 1.3.2 创新点 | 第36-37页 |
| 第2章 社交网络信息推荐研究理论基础 | 第37-54页 |
| 2.1 社交网络信息传播模型概述 | 第37-41页 |
| 2.1.1 社交网络信息传播基本模型 | 第37-39页 |
| 2.1.2 小世界网络上的传播动力学模型 | 第39-40页 |
| 2.1.3 时序网络上的传播动力学模型 | 第40-41页 |
| 2.2 社交网络信息传播链路预测理论概述 | 第41-46页 |
| 2.2.1 基于概率模型的方法 | 第42-43页 |
| 2.2.2 基于相似性的方法 | 第43-45页 |
| 2.2.3 基于最大似然的方法 | 第45-46页 |
| 2.3 社交网络信息推荐理论与方法概述 | 第46-53页 |
| 2.3.1 社交网络信息推荐系统概述 | 第46页 |
| 2.3.2 传统的个性化推荐算法理论 | 第46-51页 |
| 2.3.3 基于社交网络个性化推荐中存在的问题 | 第51-53页 |
| 2.4 本章小结 | 第53-54页 |
| 第3章 社交网络信息传播多因素耦合模型 | 第54-84页 |
| 3.1 引言 | 第54页 |
| 3.2 社交网络信息传播多影响因素分析 | 第54-65页 |
| 3.2.1 时间因素 | 第54-56页 |
| 3.2.2 多源异构地理因素 | 第56-59页 |
| 3.2.3 用户行为因素 | 第59-63页 |
| 3.2.4 用户情境因素 | 第63-65页 |
| 3.3 构建多因素耦合的信息传播模型 | 第65-83页 |
| 3.3.1 信息传播影响因素模块化处理 | 第66页 |
| 3.3.2 信息传播影响因素耦合度量 | 第66-68页 |
| 3.3.3 多因素耦合信息传播模型 | 第68-73页 |
| 3.3.4 仿真实验分析 | 第73-83页 |
| 3.4 本章小结 | 第83-84页 |
| 第4章 基于多因素耦合的混合协同过滤推荐模型 | 第84-105页 |
| 4.1 引言 | 第84-85页 |
| 4.2 基于多因素的相似度计算方法 | 第85-92页 |
| 4.2.1 基于时间因素的用户相似度计算 | 第85-87页 |
| 4.2.2 基于多源异构地理因素的用户相似度计算 | 第87-88页 |
| 4.2.3 基于用户行为的相似度计算 | 第88-90页 |
| 4.2.4 基于用户情境因素的用户相似度计算方法 | 第90-92页 |
| 4.3 构建分层混合协同过滤模型RMHCF | 第92-104页 |
| 4.3.1 融合多因素耦合改进预测评分算法 | 第93-94页 |
| 4.3.2 基于遗传算法改进随机森林算法 | 第94-97页 |
| 4.3.3 分层混合协同过滤模型RMHCF | 第97-99页 |
| 4.3.4 实验分析 | 第99-104页 |
| 4.4 本章小结 | 第104-105页 |
| 第5章 基于信息关联和负反馈的链路预测推荐模型 | 第105-143页 |
| 5.1 引言 | 第105-106页 |
| 5.2 社交网络信息关联及其稳定性研究 | 第106-118页 |
| 5.2.1 社交网络信息关联 | 第106-111页 |
| 5.2.2 信息关联稳定性 | 第111-118页 |
| 5.3 社交网络负反馈信息链路研究 | 第118-124页 |
| 5.3.1 含有过时信息的链路分析 | 第119-120页 |
| 5.3.2 含有热门信息的链路分析 | 第120-122页 |
| 5.3.3 含有意见领袖信息的链路分析 | 第122页 |
| 5.3.4 负反馈信息链路权重分析 | 第122-124页 |
| 5.4 构建基于多路径的局部随机游走链路预测模型 | 第124-132页 |
| 5.4.1 基于信息关联的节点相似度指标 | 第124-128页 |
| 5.4.2 融合蛙跳算法构建随机游走链路预测模型LRWM | 第128-132页 |
| 5.5 实验分析 | 第132-142页 |
| 5.5.1 数据来源及数据预处理 | 第132-135页 |
| 5.5.2 评价指标 | 第135-137页 |
| 5.5.3 实验设计 | 第137-138页 |
| 5.5.4 实验分析 | 第138-142页 |
| 5.6 本章小结 | 第142-143页 |
| 第6章 融合链路预测的信息推荐模型 | 第143-182页 |
| 6.1 引言 | 第143-144页 |
| 6.2 链路预测在信息推荐中的作用 | 第144-146页 |
| 6.2.1 获得更为全面的用户关系数据 | 第144-145页 |
| 6.2.2 降低负反馈信息的影响 | 第145-146页 |
| 6.3 构建融合链路预测的信息推荐模型LPMF | 第146-155页 |
| 6.3.1 矩阵分解理论基础 | 第146-149页 |
| 6.3.2 项目关联关系分析 | 第149-152页 |
| 6.3.3 融合链路预测的概率矩阵分解模型LPMF | 第152-155页 |
| 6.4 基于受限波兹曼机的隐因子矩阵提取研究 | 第155-161页 |
| 6.4.1 受限波兹曼机概述 | 第155-156页 |
| 6.4.2 受限波兹曼机模型的改进 | 第156-158页 |
| 6.4.3 参数设置 | 第158-159页 |
| 6.4.4 训练流程 | 第159-161页 |
| 6.5 构建基于LPMF的用户兴趣点推荐模型 | 第161-168页 |
| 6.5.1 LBSN兴趣点推荐应用的分析 | 第161-164页 |
| 6.5.2 个性化兴趣点推荐模型 | 第164-168页 |
| 6.6 实验分析 | 第168-180页 |
| 6.6.1 实验数据集简介 | 第168-169页 |
| 6.6.2 评价标准 | 第169页 |
| 6.6.3 实验设计 | 第169-172页 |
| 6.6.4 对比模型介绍 | 第172-173页 |
| 6.6.5 实验结果与比较 | 第173-180页 |
| 6.7 本章小结 | 第180-182页 |
| 第7章 总结与展望 | 第182-186页 |
| 7.1 研究总结 | 第182-184页 |
| 7.2 研究展望 | 第184-186页 |
| 参考文献 | 第186-204页 |
| 攻读博士学位期间发布的学术论文 | 第204-206页 |
| 致谢 | 第206页 |