基于网络的个性化推荐算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及分析 | 第11-12页 |
| 1.2.1 传统推荐算法 | 第11页 |
| 1.2.2 社交推荐算法 | 第11-12页 |
| 1.3 本论文的主要工作 | 第12-13页 |
| 1.4 本论文的结构安排 | 第13-15页 |
| 第二章 社交网络推荐相关研究综述 | 第15-26页 |
| 2.1 引言 | 第15页 |
| 2.2 什么是社交网络推荐 | 第15-18页 |
| 2.2.1 社交网络推荐的定义 | 第15-16页 |
| 2.2.2 社交网络推荐的独特特征 | 第16-18页 |
| 2.3 现有的社交推荐算法 | 第18-23页 |
| 2.3.1 基于记忆的社交网络推荐 | 第19-20页 |
| 2.3.2 基于模型的社交网络推荐 | 第20-23页 |
| 2.4 以往社交推荐的经验总结 | 第23-25页 |
| 2.4.1 社交推荐当中成功的经验 | 第23-24页 |
| 2.4.2 社交推荐当中不成功的经验 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 一种基于随机游走的社交网络推荐算法 | 第26-37页 |
| 3.1 引言 | 第26页 |
| 3.2 随机游走 | 第26-29页 |
| 3.2.1 随机游走简介 | 第26-27页 |
| 3.2.2 在网络图上的随机游走 | 第27-28页 |
| 3.2.3 随机游走在计算机科学当中的应用 | 第28-29页 |
| 3.3 基于随机游走的社交网络推荐算法 | 第29-30页 |
| 3.4 社交网络数据及相关分析 | 第30-32页 |
| 3.4.1 实验数据 | 第30-31页 |
| 3.4.2 信任关系中的互惠性 | 第31-32页 |
| 3.5 实验设计及结果分析 | 第32-35页 |
| 3.5.1 实验评价指标 | 第33-34页 |
| 3.5.2 实验及结果分析 | 第34-35页 |
| 3.6 本章小结 | 第35-37页 |
| 第四章 基于最近邻的物质扩散算法 | 第37-53页 |
| 4.1 引言 | 第37页 |
| 4.2 协同过滤推荐算法 | 第37-41页 |
| 4.2.1 协同过滤算法 | 第38-41页 |
| 4.2.2 最近邻算法（KNN） | 第41页 |
| 4.3 基于物理学的推荐算法 | 第41-44页 |
| 4.3.1 物质扩散算法 | 第41-43页 |
| 4.3.2 热传导算法 | 第43页 |
| 4.3.3 混合算法 | 第43-44页 |
| 4.4 基于最近邻的物质扩散算法 | 第44页 |
| 4.5 实验设计及结果分析 | 第44-51页 |
| 4.5.1 实验数据 | 第44-45页 |
| 4.5.2 实验设计 | 第45-46页 |
| 4.5.3 实验结果 | 第46-51页 |
| 4.6 本章小结 | 第51-53页 |
| 第五章 基于热传导和文本挖掘的网页推荐算法 | 第53-66页 |
| 5.1 引言 | 第53-54页 |
| 5.2 基于标签的的协同过滤算法 | 第54-60页 |
| 5.2.1 基于标签分析的个人兴趣建模 | 第54-56页 |
| 5.2.2 实验数据集介绍及处理流程 | 第56-57页 |
| 5.2.3 标签协同过滤算法 | 第57-58页 |
| 5.2.4 实验设计及结果分析 | 第58-60页 |
| 5.3 基于热传导和标签协同过滤的融合算法 | 第60-62页 |
| 5.3.1 算法 | 第61页 |
| 5.3.2 实验结果及分析 | 第61-62页 |
| 5.4 一种基于逻辑斯特回归的算法融合方法 | 第62-64页 |
| 5.4.1 逻辑斯特回归算法 | 第62-63页 |
| 5.4.2 融合框架 | 第63-64页 |
| 5.4.3 实验结果及分析 | 第64页 |
| 5.5 本章小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-69页 |
| 6.1 工作总结 | 第66-67页 |
| 6.2 工作展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻硕期间取得的研究成果 | 第74-75页 |
