| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 课题背景及意义 | 第8-9页 |
| 1.2 课题来源与组织结构 | 第9-11页 |
| 第二章 相关技术研究 | 第11-26页 |
| 2.1 垃圾信息过滤技术研究综述 | 第11-16页 |
| 2.1.1 垃圾信息过滤技术概述 | 第11-12页 |
| 2.1.2 基于规则的过滤方法 | 第12-13页 |
| 2.1.3 基于社会网络的过滤方法 | 第13-14页 |
| 2.1.4 基于机器学习分类的过滤方法 | 第14-16页 |
| 2.1.5 垃圾信息过滤技术小结 | 第16页 |
| 2.2 商品推荐技术研究 | 第16-24页 |
| 2.2.1 协同过滤推荐 | 第17-19页 |
| 2.2.2 基于内容的推荐 | 第19-21页 |
| 2.2.3 社会化推荐 | 第21-24页 |
| 2.2.4 商品推荐技术研究小结 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 SVM增量学习分类算法研究 | 第26-34页 |
| 3.1 支持向量机算法基本原理 | 第26-27页 |
| 3.2 SVM增量学习算法 | 第27-29页 |
| 3.3 一种改进的SVM增量学习算法 | 第29-31页 |
| 3.3.1 算法改进原理 | 第29页 |
| 3.3.2 算法提出 | 第29-31页 |
| 3.3.3 算法的实现 | 第31页 |
| 3.4 基于增量SVM的垃圾信息过滤系统 | 第31-32页 |
| 3.5 本章小结 | 第32-34页 |
| 第四章 社交网络商品推荐技术研究 | 第34-44页 |
| 4.1 需求描述 | 第34-35页 |
| 4.2 社交网络用户相似度模型构建 | 第35-41页 |
| 4.2.1 社交网络结构和用户相似度衡量 | 第35-39页 |
| 4.2.2 随机游走算法和兴趣相似度Top-N用户挖掘 | 第39-41页 |
| 4.3 推荐结果生成 | 第41-43页 |
| 4.3.1 商品评价值和商品推荐度 | 第41-43页 |
| 4.3.2 目标用户商品需求挖掘 | 第43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 仿真测试 | 第44-60页 |
| 5.1 移动社交网络信息过滤及推荐系统功能测试 | 第44-49页 |
| 5.1.1 移动社交网络信息过滤及推荐系统模型 | 第44-45页 |
| 5.1.2 信息过滤功能展示 | 第45-48页 |
| 5.1.3 商品推荐功能展示 | 第48-49页 |
| 5.2 SVM增量学习模块分类过滤性能测试 | 第49-54页 |
| 5.2.1 实验数据与评价指标 | 第49-50页 |
| 5.2.2 实验过程 | 第50-51页 |
| 5.2.3 过滤性能分析 | 第51-54页 |
| 5.3 混合推荐系统推荐性能测试 | 第54-59页 |
| 5.3.1 实验数据与评价指标 | 第54-55页 |
| 5.3.2 实验过程 | 第55-57页 |
| 5.3.3 实验结果及分析 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第65-66页 |
| 附录2 攻读硕士学位期间申请的专利 | 第66-67页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第67-68页 |
| 致谢 | 第68页 |