| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-22页 |
| 1.1 基于社会网的冷启动推荐算法的研究背景与意义 | 第9-13页 |
| 1.1.1 推荐系统 | 第9-11页 |
| 1.1.2 基于社会网络的推荐 | 第11-12页 |
| 1.1.3 冷启动问题 | 第12-13页 |
| 1.2 基于社会网的冷启动推荐算法的国内外研究现状 | 第13-19页 |
| 1.2.1 推荐系统的研究与发展 | 第13-15页 |
| 1.2.2 冷启动问题的研究与发展 | 第15-18页 |
| 1.2.3 基于社会网冷启动推荐算法的研究与发展 | 第18-19页 |
| 1.3 本文的主要研究工作 | 第19-21页 |
| 1.3.1 本文的主要研究问题 | 第19-20页 |
| 1.3.2 本文的主要研究成果 | 第20-21页 |
| 1.4 章节安排 | 第21-22页 |
| 第2章 课题研究基础知识 | 第22-32页 |
| 2.1 推荐系统 | 第22-23页 |
| 2.2 社会网 | 第23-24页 |
| 2.3 参数学习方法 | 第24-25页 |
| 2.3.1 梯度下降法 | 第24-25页 |
| 2.3.2 最小二乘法 | 第25页 |
| 2.4 评分预测方法 | 第25-30页 |
| 2.4.1 平均值 | 第26-27页 |
| 2.4.2 基于邻域的方法 | 第27-28页 |
| 2.4.3 矩阵分解模型 | 第28-29页 |
| 2.4.4 模型融合 | 第29页 |
| 2.4.5 Netflix Prize的相关实验结果 | 第29-30页 |
| 2.5 冷启动问题 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于用户相似度和社会网的冷启动推荐算法 | 第32-49页 |
| 3.1 引言 | 第32-33页 |
| 3.2 相关工作 | 第33页 |
| 3.3 预备知识 | 第33-36页 |
| 3.4 基于用户相似度的SocialMF算法 | 第36-41页 |
| 3.4.1 SocialMF算法 | 第36-39页 |
| 3.4.2 基于用户相似度的SocialMF算法 | 第39-41页 |
| 3.5 实验与结果分析 | 第41-48页 |
| 3.5.1 实验设置 | 第41-43页 |
| 3.5.2 算法对于冷启动用户的性能 | 第43-44页 |
| 3.5.3 算法对于热启动用户的性能 | 第44-45页 |
| 3.5.4 参数对算法性能的影响 | 第45-46页 |
| 3.5.5 算法在Epinions不同类别上的性能 | 第46-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 基于社会网和决策树的冷启动推荐算法 | 第49-70页 |
| 4.1 引言 | 第49-50页 |
| 4.2 相关工作 | 第50-51页 |
| 4.3 预备知识 | 第51-52页 |
| 4.4 基于社会网和决策树模型的冷启动推荐算法 | 第52-59页 |
| 4.4.1 fMF算法 | 第52-55页 |
| 4.4.2 基于社会网的fMF算法 | 第55-58页 |
| 4.4.3 基于用户相似度和社会网的fMF算法 | 第58-59页 |
| 4.5 实验与结果分析 | 第59-69页 |
| 4.5.1 实验设置 | 第59-60页 |
| 4.5.2 算法对于冷启动用户的性能 | 第60-62页 |
| 4.5.3 算法对于热启动用户的性能 | 第62-64页 |
| 4.5.4 参数对算法性能的影响 | 第64-67页 |
| 4.5.5 本文提出的不同算法的性能比较 | 第67-69页 |
| 4.6 本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78页 |
