| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第15-26页 |
| 1.1 研究背景和研究意义 | 第15-17页 |
| 1.1.1 研究背景 | 第15-17页 |
| 1.1.2 研究意义 | 第17页 |
| 1.2 国内外研究的历史和现状 | 第17-22页 |
| 1.3 本文的研究内容 | 第22-24页 |
| 1.3.1 研究框架和内容 | 第22-23页 |
| 1.3.2 本文的贡献 | 第23-24页 |
| 1.4 本文的组织结构 | 第24-26页 |
| 第2章 基于时间片分割的用户识别推荐算法 | 第26-45页 |
| 2.1 引言 | 第26-27页 |
| 2.2 相关工作 | 第27-28页 |
| 2.2.1 IP-TV服务中的用户行为 | 第27-28页 |
| 2.2.2 IP-TV用户识别推荐相关技术 | 第28页 |
| 2.3 基于虚拟用户的用户识别推荐算法 | 第28-35页 |
| 2.3.1 问题定义和符号 | 第28-31页 |
| 2.3.2 用户识别算法 | 第31-35页 |
| 2.4 实验设置 | 第35-36页 |
| 2.4.1 SMG数据集 | 第35页 |
| 2.4.2 评价指标 | 第35-36页 |
| 2.4.3 推荐算法和参数配置 | 第36页 |
| 2.5 实验结果及分析 | 第36-43页 |
| 2.5.1 参数|P|和ρ的作用 | 第36-39页 |
| 2.5.2 经验切分和平均切分比较 | 第39-40页 |
| 2.5.3 算法的性能对比 | 第40-42页 |
| 2.5.4 预测用户数和推荐性能分析 | 第42-43页 |
| 2.6 本章小结 | 第43-45页 |
| 第3章 基于子空间聚类的用户识别推荐算法 | 第45-68页 |
| 3.1 引言 | 第45-47页 |
| 3.2 相关工作 | 第47-49页 |
| 3.2.1 协同过滤技术 | 第47-48页 |
| 3.2.2 情景感知推荐 | 第48-49页 |
| 3.3 问题定义和符号 | 第49-52页 |
| 3.4 基于子空间聚类的用户识别算法 | 第52-56页 |
| 3.4.1 基于时间子空间分解 | 第53-54页 |
| 3.4.2 基于相似兴趣的合并 | 第54-56页 |
| 3.5 实验设置 | 第56-58页 |
| 3.5.1 数据集 | 第56-57页 |
| 3.5.2 评价指标 | 第57-58页 |
| 3.5.3 推荐算法 | 第58页 |
| 3.6 实验结果及分析 | 第58-66页 |
| 3.6.1 参数|P|和ρ的作用 | 第59-61页 |
| 3.6.2 分解方法比较 | 第61-63页 |
| 3.6.3 推荐方法比较 | 第63页 |
| 3.6.4 识别性能分析 | 第63-65页 |
| 3.6.5 可扩展性分析 | 第65-66页 |
| 3.7 本章小结 | 第66-68页 |
| 第4章 融合个性化因素和社交影响的评分预测模型 | 第68-84页 |
| 4.1 引言 | 第68-70页 |
| 4.2 相关工作 | 第70-71页 |
| 4.3 融合个性化因素和加权社交影响力的矩阵分解模型 | 第71-77页 |
| 4.3.1 问题定义和符号 | 第71-72页 |
| 4.3.2 基础的阵分解 | 第72-73页 |
| 4.3.3 PWS模型和求解算法 | 第73-77页 |
| 4.4 实验设置 | 第77-80页 |
| 4.4.1 数据集 | 第77-78页 |
| 4.4.2 评价指标 | 第78-79页 |
| 4.4.3 可比较的算法 | 第79-80页 |
| 4.5 实验结果及分析 | 第80-83页 |
| 4.5.1 参数w的作用 | 第80-82页 |
| 4.5.2 方法比较 | 第82-83页 |
| 4.6 本章小结 | 第83-84页 |
| 第5章 非对称社交影响力评分预测模型 | 第84-103页 |
| 5.1 引言 | 第84-86页 |
| 5.2 相关工作 | 第86-88页 |
| 5.3 非对称社交影响力建模 | 第88-95页 |
| 5.3.1 问题定义和符号 | 第88-89页 |
| 5.3.2 基础的阵分解 | 第89-91页 |
| 5.3.3 融合非对称社交影响力 | 第91-93页 |
| 5.3.4 训练算法和计算复杂度 | 第93-95页 |
| 5.4 实验设置 | 第95-98页 |
| 5.4.1 数据集 | 第95-96页 |
| 5.4.2 评价指标 | 第96-97页 |
| 5.4.3 基准方法 | 第97-98页 |
| 5.5 实验结果及分析 | 第98-102页 |
| 5.5.1 推荐方法比较 | 第98-100页 |
| 5.5.2 统计数据分析 | 第100-102页 |
| 5.6 本章小结 | 第102-103页 |
| 第6章 总结与展望 | 第103-107页 |
| 6.1 本文工作总结 | 第103-105页 |
| 6.2 未来工作展望 | 第105-106页 |
| 6.3 本章小节 | 第106-107页 |
| 参考文献 | 第107-119页 |
| 附录一 攻读博士期间发表的学术论文 | 第119-120页 |
| 附录二 攻读博士期间参与的科研项目 | 第120-121页 |
| 附录三 攻读博士期间申请的发明专利 | 第121-122页 |
| 致谢 | 第122页 |