| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 研究的目标与内容 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-12页 |
| 第二章 相关理论与技术 | 第12-25页 |
| 2.1 贝叶斯定理 | 第12-14页 |
| 2.2 贝叶斯网络 | 第14-18页 |
| 2.2.1 贝叶斯网络表示 | 第14-16页 |
| 2.2.2 贝叶斯网络推理 | 第16-17页 |
| 2.2.3 贝叶斯网络学习 | 第17-18页 |
| 2.3 推荐算法 | 第18-23页 |
| 2.3.1 基于内容的推荐 | 第18-20页 |
| 2.3.2 基于协同过滤的推荐 | 第20-22页 |
| 2.3.3 面向在线社交网络的推荐 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 在线社交网络中基于显式与隐式反馈信息的推荐 | 第25-36页 |
| 3.1 引言 | 第25-26页 |
| 3.2 在线社交网络中基于显式与隐式反馈的推荐模型 | 第26-27页 |
| 3.2.1 问题定义 | 第26页 |
| 3.2.2 基于显式与隐式反馈的推荐模型设计 | 第26-27页 |
| 3.3 基于显式与隐式反馈信息的推荐方法设计 | 第27-32页 |
| 3.3.1 概率矩阵分解 | 第27-31页 |
| 3.3.2 推荐算法流程 | 第31页 |
| 3.3.3 时间复杂度分析 | 第31-32页 |
| 3.4 系统性能分析 | 第32-35页 |
| 3.4.1 实验数据 | 第32页 |
| 3.4.2 推荐性能评价指标 | 第32-33页 |
| 3.4.3 实验结果比较 | 第33-34页 |
| 3.4.4 基准规则化参数对推荐性能的影响 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 在线社交网络中基于贝叶斯网络的信任驱动推荐 | 第36-46页 |
| 4.1 引言 | 第36-37页 |
| 4.2 在线社交网络信任驱动推荐模型设计 | 第37-38页 |
| 4.2.1 问题定义 | 第37页 |
| 4.2.2 基于贝叶斯网络的信任驱动推荐方法模型 | 第37-38页 |
| 4.3 信任驱动推荐方法设计 | 第38-42页 |
| 4.3.1 推荐学习过程 | 第38-40页 |
| 4.3.2 推荐结果的计算 | 第40-41页 |
| 4.3.3 信任驱动推荐方法流程 | 第41-42页 |
| 4.4 系统性能分析 | 第42-45页 |
| 4.4.1 实验数据分析 | 第42页 |
| 4.4.2 推荐方法评价标准 | 第42-43页 |
| 4.4.3 推荐方法在Epinion数据集上的实验效果 | 第43-44页 |
| 4.4.4 推荐方法在MovieLens-1M数据集上的实验效果 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 5.1 论文工作总结 | 第46页 |
| 5.2 未来工作展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第52-53页 |
| 附录2 攻读硕士学位期间申请的专利 | 第53-54页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第54-55页 |
| 致谢 | 第55页 |
