| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 背景和意义 | 第12-13页 |
| 1.2 应用场景 | 第13-16页 |
| 1.3 国内外研究现状 | 第16-17页 |
| 1.4 研究内容和思路 | 第17-19页 |
| 1.4.1 基于加权的社交网络和物品关系 | 第17-18页 |
| 1.4.2 基于频繁N元概念 | 第18-19页 |
| 1.5 论文的组织结构 | 第19-21页 |
| 第二章 推荐系统相关算法 | 第21-29页 |
| 2.1 协同过滤 | 第21-23页 |
| 2.1.1 基于内存的协同过滤 | 第21-22页 |
| 2.1.2 基于模型的协同过滤 | 第22-23页 |
| 2.2 基于社交网络的方法 | 第23-25页 |
| 2.2.1 社交关系传播 | 第23-24页 |
| 2.2.2 社交关系约束 | 第24-25页 |
| 2.3 其他方法 | 第25-28页 |
| 2.3.1 基于内容的方法(Content Based) | 第25页 |
| 2.3.2 基于标签的方法 | 第25-26页 |
| 2.3.3 基于上下文信息的方法(Context-Aware) | 第26页 |
| 2.3.4 混合推荐系统 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于加权的社交网络和物品关系的方法 | 第29-46页 |
| 3.1 问题定义 | 第29-30页 |
| 3.2 模型建立 | 第30-36页 |
| 3.2.1 学习用户的爱好以及物品的特征 | 第30-32页 |
| 3.2.2 学习加权的社交信任 | 第32-34页 |
| 3.2.3 学习加权的物品关系 | 第34-36页 |
| 3.3 模型融合 | 第36-37页 |
| 3.4 模型求解 | 第37-39页 |
| 3.5 实验 | 第39-45页 |
| 3.5.1 实验出发点 | 第39页 |
| 3.5.2 实验设置 | 第39-40页 |
| 3.5.3 实验结果 | 第40-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 基于频繁N元概念的方法 | 第46-55页 |
| 4.1 频繁N元概念 | 第46-47页 |
| 4.2 模型建立 | 第47-49页 |
| 4.2.1 有标签模型 | 第48页 |
| 4.2.2 无标签模型 | 第48-49页 |
| 4.3 基于频繁N元概念的推荐算法 | 第49-50页 |
| 4.4 实验 | 第50-54页 |
| 4.4.1 实验设置 | 第51页 |
| 4.4.2 有标签模型实验 | 第51-52页 |
| 4.4.3 无标签模型实验 | 第52-53页 |
| 4.4.4 最小阈值的影响 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-58页 |
| 5.1 本文工作总结 | 第55-57页 |
| 5.2 未来工作 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65-66页 |
| 攻读学位期间参加的科研项目 | 第66-67页 |
| 学位论文评阅及答辩情况表 | 第67页 |