| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-25页 |
| 1.1 推荐系统简介 | 第11-16页 |
| 1.1.1 推荐系统的应用 | 第11-14页 |
| 1.1.2 推荐系统研究现状 | 第14-16页 |
| 1.2 推荐系统相关理论及技术 | 第16-19页 |
| 1.2.1 基础推荐算法 | 第16-18页 |
| 1.2.2 推荐系统常用技术 | 第18-19页 |
| 1.3 推荐系统架构 | 第19-21页 |
| 1.4 上下文感知推荐系统面临的主要问题 | 第21-22页 |
| 1.5 本文的主要工作 | 第22页 |
| 1.6 论文的组织结构 | 第22-25页 |
| 第二章 上下文感知推荐系统综述 | 第25-33页 |
| 2.1 上下文的概念 | 第25页 |
| 2.2 上下文感知推荐系统研究现状 | 第25-26页 |
| 2.3 用户行为数据简介 | 第26-29页 |
| 2.4 上下文信息的处理 | 第29-30页 |
| 2.4.1 上下文信息的获取 | 第29页 |
| 2.4.2 有效上下文的提取 | 第29-30页 |
| 2.5 上下文用户偏好的提取 | 第30-31页 |
| 2.5.1 基于定量分析的上下文用户偏好提取 | 第30页 |
| 2.5.2 基于定性分析的上下文用户偏好提取 | 第30-31页 |
| 2.6 本章小结 | 第31-33页 |
| 第三章 基于上下文提取的感知推荐算法 | 第33-41页 |
| 3.1 基本概念 | 第33页 |
| 3.2 评分预测问题 | 第33-35页 |
| 3.3 上下文信息的提取 | 第35-36页 |
| 3.4 矩阵分解模型 | 第36-37页 |
| 3.5 上下文感知推荐 | 第37-39页 |
| 3.5.1 随机决策树的构造 | 第37-38页 |
| 3.5.2 用户评分预测 | 第38-39页 |
| 3.5.3 冷启动问题 | 第39页 |
| 3.6 本章小结 | 第39-41页 |
| 第四章 基于社交网络的上下文感知推荐算法 | 第41-47页 |
| 4.1 社交网络数据 | 第41页 |
| 4.2 基于社交网络数据的推荐 | 第41-42页 |
| 4.3 基于社交网络数据的改进算法 | 第42-45页 |
| 4.3.1 用户相似度计算 | 第42-43页 |
| 4.3.2 基于上下文的用户相似度计算 | 第43-44页 |
| 4.3.3 目标函数的生成 | 第44-45页 |
| 4.4 本章小结 | 第45-47页 |
| 第五章 实验结果 | 第47-57页 |
| 5.1 实验背景 | 第47-48页 |
| 5.1.1 实验数据集 | 第47页 |
| 5.1.2 实验对比 | 第47-48页 |
| 5.1.3 实验评测指标 | 第48页 |
| 5.2 实验结果与分析 | 第48-55页 |
| 5.2.1 上下文的提取 | 第48-49页 |
| 5.2.2 在豆瓣数据集上的性能 | 第49-54页 |
| 5.2.3 在Movie Lens-1M数据集上的性能 | 第54-55页 |
| 5.3 实验总结 | 第55-57页 |
| 第六章 结论 | 第57-59页 |
| 6.1 结论 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 6.2.1 下一步的工作 | 第58页 |
| 6.2.2 上下文感知推荐系统研究的展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 作者简介 | 第63页 |
| 作者在攻读硕士学位期间参加的项目 | 第63页 |
| 作者在攻读学位期间公开发表的学术论文 | 第63-65页 |
| 致谢 | 第65-66页 |