| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 引言 | 第10-17页 |
| ·研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-14页 |
| ·社会化标签和推荐算法简介 | 第14-15页 |
| ·本文主要研究的内容 | 第15页 |
| ·论文章节编排 | 第15-17页 |
| 第二章 社会化标签 | 第17-23页 |
| ·大众分类学 | 第17-20页 |
| ·用户驱动的元数据 | 第20-21页 |
| ·标签的形式化描述 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 个性化推荐算法 | 第23-30页 |
| ·推荐算法简介 | 第23-26页 |
| ·推荐算法分类 | 第23-24页 |
| ·推荐系统结构 | 第24-25页 |
| ·基于标签信息的协同过滤 | 第25-26页 |
| ·邻居生成算法 | 第26-27页 |
| ·性能评价指标 | 第27-29页 |
| ·精确性评估标准 | 第27-28页 |
| ·多样性评估标准 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第四章 基于标签的算法模型 | 第30-52页 |
| ·基于标签网络的算法模型 | 第30-36页 |
| ·标签网络的复杂网络特性 | 第30-31页 |
| ·ProbS 和 HeatS | 第31-32页 |
| ·基于语义树的层级结构模型 | 第32-33页 |
| ·PageRank 和 FolkRank | 第33-35页 |
| ·Diffusion Rank | 第35-36页 |
| ·基于标签张量的算法模型 | 第36-45页 |
| ·标签数据的张量解释模型 | 第36-39页 |
| ·高阶奇异值分解（HOSVD） | 第39-41页 |
| ·RTF | 第41页 |
| ·PITF | 第41-43页 |
| ·FacetCube | 第43-45页 |
| ·基于主题的算法模型 | 第45-51页 |
| ·pLSA | 第46-47页 |
| ·LDA | 第47-49页 |
| ·CRM | 第49-50页 |
| ·TAM | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 基于混合模型的推荐服务框架 | 第52-64页 |
| ·混合推荐服务框架 | 第52-55页 |
| ·LDA 的 Gibbs 采样算法 | 第55-59页 |
| ·图模型 FolkRank 算法 | 第59-61页 |
| ·张量分解 HOSVD 算法 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第六章 个性化信息推荐服务框架设计与实现 | 第64-85页 |
| ·分布式计算框架 Hadoop 和其他开源设施简介 | 第64-65页 |
| ·系统结构和框架流程 | 第65-67页 |
| ·数据适配器 | 第67-69页 |
| ·核心算法的 Hadoop 实现 | 第69-78页 |
| ·LDA Gibbs 抽样的 MapReduce 算法 | 第69-71页 |
| ·FolkRank 的 MapReduce 算法 | 第71-74页 |
| ·HOSVD 的 MapReduce 算法 | 第74-78页 |
| ·快速索引和推荐服务算法 | 第78-83页 |
| ·评分立方 | 第78-79页 |
| ·快速索引 | 第79-80页 |
| ·推荐生成算法 | 第80-82页 |
| ·快速索引构建和调整算法 | 第82-83页 |
| ·推荐服务框架的扩展性和灵活性 | 第83-84页 |
| ·本章小结 | 第84-85页 |
| 第七章 测试数据分析 | 第85-92页 |
| ·算法收敛性 | 第85-89页 |
| ·评分立方及推荐生成 | 第89-90页 |
| ·个性化信息推荐服务框架的应用实例 | 第90-91页 |
| ·本章小结 | 第91-92页 |
| 第八章 结论与展望 | 第92-94页 |
| ·本文研究总结 | 第92-93页 |
| ·前景展望 | 第93-94页 |
| 致谢 | 第94-95页 |
| 参考文献 | 第95-99页 |
| 攻硕期间取得的研究成果 | 第99-100页 |