面向社会化媒体的内容推荐若干关键技术研究
| 摘要 | 第4-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第15-33页 |
| 1.1 论文研究背景 | 第15-23页 |
| 1.1.1 社会化媒体的现状、分类与发展 | 第16-19页 |
| 1.1.2 社会化媒体内容特征分析 | 第19-21页 |
| 1.1.3 面向社会化媒体的内容推荐研究现状 | 第21-23页 |
| 1.1.4 面向社会化媒体的内容推荐面临的挑战 | 第23页 |
| 1.2 论文研究内容 | 第23-24页 |
| 1.3 论文主要创新点 | 第24-26页 |
| 1.4 攻读博士期间主要工作 | 第26-27页 |
| 1.5 本文的组织结构 | 第27页 |
| 参考文献 | 第27-33页 |
| 第二章 融合的协同过滤推荐 | 第33-53页 |
| 2.1 引言 | 第33页 |
| 2.2 相关研究工作 | 第33-35页 |
| 2.2.1 研究现状 | 第33-34页 |
| 2.2.2 当前研究存在的问题 | 第34-35页 |
| 2.3 已有协同过滤算法 | 第35-38页 |
| 2.3.1 符号表示 | 第35页 |
| 2.3.2 KNNuser | 第35-36页 |
| 2.3.3 KNNitem | 第36页 |
| 2.3.4 SVD | 第36-37页 |
| 2.3.5 算法时间复杂度分析 | 第37-38页 |
| 2.4 协同过滤技术的融合 | 第38-43页 |
| 2.4.1 建模融合 | 第38-39页 |
| 2.4.2 预测融合 | 第39-43页 |
| 2.5 仿真实验分析 | 第43-50页 |
| 2.5.1 仿真场景建立 | 第43-45页 |
| 2.5.2 仿真性能指标 | 第45页 |
| 2.5.3 仿真结果与分析 | 第45-50页 |
| 2.6 本章小结 | 第50页 |
| 参考文献 | 第50-53页 |
| 第三章 基于社区发现的推荐技术研究 | 第53-73页 |
| 3.1 引言 | 第53页 |
| 3.2 相关研究工作 | 第53-57页 |
| 3.2.1 网络中的社区发现 | 第53-56页 |
| 3.2.2 社区发现与推荐 | 第56-57页 |
| 3.2.3 当前研究存在的问题 | 第57页 |
| 3.3 加权用户相似网络的形成 | 第57-60页 |
| 3.3.1 相似度的计算 | 第57-58页 |
| 3.3.2 网络的形成 | 第58-60页 |
| 3.4 基于社区核心的局部化社区发现 | 第60-63页 |
| 3.4.1 算法概述 | 第60页 |
| 3.4.2 社区核心的发现 | 第60-62页 |
| 3.4.3 核心社区的扩张 | 第62-63页 |
| 3.5 基于社区发现的推荐返回 | 第63页 |
| 3.6 相关数据集说明 | 第63-65页 |
| 3.7 仿真实验分析 | 第65-68页 |
| 3.7.1 仿真场景建立 | 第65-66页 |
| 3.7.2 仿真性能指标 | 第66页 |
| 3.7.3 仿真结果与分析 | 第66-68页 |
| 3.8 本章小结 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 第四章 基于社区发现的协同过滤技术的研究 | 第73-97页 |
| 4.1 引言 | 第73页 |
| 4.2 相关研究工作 | 第73-77页 |
| 4.2.1 研究现状 | 第73-77页 |
| 4.2.2 当前研究存在的问题 | 第77页 |
| 4.3 基于社区发现的邻居协同过滤算法 | 第77-85页 |
| 4.3.1 算法整体流程 | 第77-78页 |
| 4.3.2 相似度的计算 | 第78页 |
| 4.3.3 用户相似网络的形成 | 第78-79页 |
| 4.3.4 社区的发现 | 第79-81页 |
| 4.3.5 基于社区的节点全局相似度计算 | 第81-82页 |
| 4.3.6 局部相似度与全局相似度的融合 | 第82-83页 |
| 4.3.7 评分预测和项目推荐 | 第83-85页 |
| 4.4 基于社区发现的模型协同过滤算法 | 第85-87页 |
| 4.4.1 基于社会化社区的正则及参数求解 | 第86-87页 |
| 4.4.2 评分预测 | 第87页 |
| 4.5 仿真实验分析 | 第87-92页 |
| 4.5.1 仿真场景建立 | 第87-89页 |
| 4.5.2 仿真性能指标 | 第89页 |
| 4.5.3 仿真结果与分析 | 第89-92页 |
| 4.6 本章小结 | 第92-93页 |
| 参考文献 | 第93-97页 |
| 第五章 基于上下文信息协同过滤技术的研究 | 第97-115页 |
| 5.1 引言 | 第97页 |
| 5.2 相关研究工作 | 第97-100页 |
| 5.2.1 研究现状 | 第97-100页 |
| 5.2.2 当前研究存在的问题 | 第100页 |
| 5.3 基于上下文的邻居协同过滤算法 | 第100-104页 |
| 5.3.1 算法整体流程 | 第100-101页 |
| 5.3.2 相似度的计算 | 第101-103页 |
| 5.3.3 评分的预测 | 第103-104页 |
| 5.4 基于上下文的模型协同过滤算法 | 第104-106页 |
| 5.4.1 SLIM方法 | 第104-105页 |
| 5.4.2 基于上下文的模型协同过滤 | 第105-106页 |
| 5.5 仿真实验分析 | 第106-111页 |
| 5.5.1 仿真场景建立 | 第106-107页 |
| 5.5.2 仿真结果与分析 | 第107-111页 |
| 5.6 本章小结 | 第111页 |
| 参考文献 | 第111-115页 |
| 第六章 总结和展望 | 第115-117页 |
| 6.1 论文总结 | 第115-116页 |
| 6.2 进一步工作 | 第116-117页 |
| 附录 缩略语 | 第117-119页 |
| 致谢 | 第119-120页 |
| 攻读学位期间发表的学术论文 | 第120-121页 |
| 攻读学位期间参与撰写的标准、研究报告和专利 | 第121-122页 |
| 攻读学位期间参与的科研项目 | 第122页 |
