摘要 | 第5-6页 |
Abstract | 第6页 |
缩略词表 | 第13-14页 |
第一章 绪论 | 第14-21页 |
1.1 研究背景与意义 | 第14页 |
1.2 研究现状 | 第14-18页 |
1.2.1 推荐算法 | 第14-15页 |
1.2.2 社区划分 | 第15-17页 |
1.2.3 基于信任网络的推荐 | 第17-18页 |
1.3 研究目标与内容 | 第18-19页 |
1.4 研究方法与技术路线 | 第19页 |
1.5 本文组织结构 | 第19-21页 |
第二章 基于离散粒子群优化的社区划分方法 | 第21-41页 |
2.1 用户相似性网络的构建 | 第21-22页 |
2.2 社区的定义 | 第22-24页 |
2.3 粒子群优化算法 | 第24-25页 |
2.4 离散粒子群优化算法 | 第25-26页 |
2.5 改进的离散粒子群优化算法 | 第26-28页 |
2.5.1 改进的简单离散粒子群优化算法 | 第26-27页 |
2.5.2 改进重定义算子的离散粒子群优化算法 | 第27-28页 |
2.6 基于改进的离散粒子群优化的社区划分方法 | 第28-31页 |
2.6.1 PSO算法中粒子位置编码方式 | 第28-29页 |
2.6.2 PSO算法的适应度函数 | 第29页 |
2.6.3 社区修正策略 | 第29-31页 |
2.6.4 基于离散粒子群优化的社区划分方法步骤 | 第31页 |
2.7 相关实验 | 第31-39页 |
2.7.1 实验目标 | 第31页 |
2.7.2 实验工具和环境 | 第31-33页 |
2.7.3 实验数据集和评价指标 | 第33-34页 |
2.7.4 实验结果比较和分析 | 第34-39页 |
2.8 本章小结 | 第39-41页 |
第三章 基于社区的推荐模型CRM | 第41-51页 |
3.1 基于用户的协同过滤推荐算法 | 第41-42页 |
3.2 基于社区的推荐模型CRM | 第42-45页 |
3.2.1 基于IDPSO-RO算法的社区划分 | 第43-44页 |
3.2.2 目标用户的最近邻居选择 | 第44-45页 |
3.2.3 评分预测值的计算 | 第45页 |
3.3 相关实验 | 第45-49页 |
3.3.1 实验目标 | 第45-46页 |
3.3.2 实验工具和环境 | 第46页 |
3.3.3 实验数据集和评价指标 | 第46页 |
3.3.4 实验结果比较和分析 | 第46-49页 |
3.4 本章小结 | 第49-51页 |
第四章 基于社区和信任网络的推荐模型CTNRM | 第51-70页 |
4.1 引入信任的推荐模型 | 第51-53页 |
4.1.1 信任网络 | 第51页 |
4.1.2 信任的表示 | 第51-52页 |
4.1.3 引入信任的推荐模型 | 第52-53页 |
4.2 基于社区和信任网络的推荐模型CTNRM | 第53-60页 |
4.2.1 基于社区和信任网络的推荐模型框架 | 第54-55页 |
4.2.2 信任朋友圈 | 第55-56页 |
4.2.3 用户间局部信任度 | 第56-57页 |
4.2.4 用户的信誉 | 第57-58页 |
4.2.5 可信社区 | 第58-59页 |
4.2.6 CTNRM推荐方法 | 第59-60页 |
4.3 相关实验 | 第60-69页 |
4.3.1 实验目标 | 第60页 |
4.3.2 实验工具和环境 | 第60-61页 |
4.3.3 实验数据集和评价指标 | 第61-63页 |
4.3.4 实验结果比较和分析 | 第63-69页 |
4.4 本章小结 | 第69-70页 |
第五章 基于CTNRM的推荐系统CTNRS的设计与实现 | 第70-80页 |
5.1 系统框架设计 | 第70-72页 |
5.1.1 数据层 | 第70-71页 |
5.1.2 业务层 | 第71页 |
5.1.3 交互层 | 第71-72页 |
5.2 数据库设计 | 第72-73页 |
5.3 系统实现和界面展示 | 第73-79页 |
5.3.1 系统开发环境与工具 | 第73-74页 |
5.3.2 系统界面 | 第74-79页 |
5.4 本章小结 | 第79-80页 |
第六章 总结和展望 | 第80-82页 |
6.1 本文工作总结 | 第80页 |
6.2 未来工作展望 | 第80-82页 |
致谢 | 第82-83页 |
参考文献 | 第83-87页 |
攻读硕士学位期间科研成果 | 第87页 |