| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-16页 |
| ·研究背景与意义 | 第11-12页 |
| ·研究现状 | 第12-14页 |
| ·研究内容和主要工作 | 第14-15页 |
| ·论文的组织结构 | 第15-16页 |
| 第二章 相关理论概述 | 第16-26页 |
| ·推荐系统的定义 | 第16-18页 |
| ·用户行为数据记录模块 | 第16-17页 |
| ·用户兴趣建模模块 | 第17-18页 |
| ·推荐算法模块 | 第18页 |
| ·推荐算法 | 第18-23页 |
| ·基于内容的推荐算法 | 第18-20页 |
| ·协同过滤推荐算法 | 第20-22页 |
| ·协同过滤算法存在的问题 | 第22-23页 |
| ·社交网络 | 第23-25页 |
| ·邻接矩阵 | 第23-24页 |
| ·社交网络理论基础 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 融合 JACCARD 系数的规范化欧氏距离 | 第26-38页 |
| ·基于用户的协同过滤推荐算法框架 | 第26-27页 |
| ·基于评分的传统相似度计算方法分析 | 第27-33页 |
| ·欧氏距离（Euclidean distance） | 第27-28页 |
| ·皮尔逊相关系数（Pearson Correlation Coefficient） | 第28页 |
| ·余弦相似度（Cosine Similarity） | 第28-29页 |
| ·修正余弦相似度（Adjusted Cosine Similarity） | 第29页 |
| ·传统相似度计算方法的弊端分析 | 第29-33页 |
| ·融合 JACCARD 系数的规范化欧氏距离相似度计算方法 | 第33-37页 |
| ·规范化欧氏距离 | 第33-34页 |
| ·融合 Jaccard 系数 | 第34-35页 |
| ·实例及统计验证 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于社交网络用户的协同过滤推荐算法 | 第38-48页 |
| ·算法的基本思想 | 第38-39页 |
| ·用户熟识度 | 第38-39页 |
| ·融合用户熟识度和评分相似度 | 第39页 |
| ·算法基本框架和具体流程 | 第39-46页 |
| ·搜索候选邻居 | 第40-42页 |
| ·熟识度计算 | 第42页 |
| ·评分相似度计算 | 第42-44页 |
| ·融合熟识度和评分相似度计算 | 第44-45页 |
| ·生成最近邻居集 | 第45页 |
| ·预测用户评分 | 第45页 |
| ·产生推荐列表 | 第45-46页 |
| ·SNCF 算法分析 | 第46页 |
| ·本章小结 | 第46-48页 |
| 第五章 实验与分析 | 第48-67页 |
| ·实验环境 | 第48页 |
| ·实验数据集 | 第48-52页 |
| ·MovieLens 数据集 | 第48-49页 |
| ·豆瓣社交网络和电影评分数据集 | 第49-52页 |
| ·实验评测指标 | 第52-55页 |
| ·推荐准确度 | 第52-53页 |
| ·覆盖率 | 第53-54页 |
| ·新颖度 | 第54-55页 |
| ·实验目标 | 第55页 |
| ·实验方案设计 | 第55-56页 |
| ·离线实验一般做法和数据集划分 | 第55-56页 |
| ·实验相关术语说明 | 第56页 |
| ·实验设计和结果分析 | 第56-65页 |
| ·JNED 相似度计算方法实验 | 第56-60页 |
| ·基于社交网络的协同过滤推荐算法实验 | 第60-65页 |
| ·本章小结 | 第65-67页 |
| 总结与展望 | 第67-69页 |
| 本文工作总结 | 第67-68页 |
| 未来工作展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |
