| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 推荐系统存在的挑战 | 第11-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第二章 基于协同过滤的推荐技术 | 第15-30页 |
| 2.1 个性化推荐技术 | 第15-18页 |
| 2.1.1 基于内容的推荐技术 | 第16-17页 |
| 2.1.2 协同过滤的推荐技术 | 第17页 |
| 2.1.3 混合的推荐技术 | 第17-18页 |
| 2.2 基于内存的协同过滤 | 第18-22页 |
| 2.2.1 基于内存的协同过滤的步骤 | 第18-20页 |
| 2.2.2 基于内存的协同过滤推荐技术的分类 | 第20-22页 |
| 2.3 基于模型的协同过滤 | 第22-29页 |
| 2.3.1 矩阵分解模型 | 第23-24页 |
| 2.3.2 概率矩阵分解模型 | 第24-26页 |
| 2.3.3 融入信任关系的概率矩阵分解模型 | 第26-29页 |
| 2.4 本章小节 | 第29-30页 |
| 第三章 融合信任用户间接影响和矩阵分解技术的推荐算法 | 第30-44页 |
| 3.1 融合用户隐式反馈信息的SVD++模型 | 第30-31页 |
| 3.2 融合信任用户间接影响的Trust Impact MF模型 | 第31-35页 |
| 3.2.1 Trust Impact MF模型 | 第31-32页 |
| 3.2.2 Trust Impact MF模型学习过程及算法实现 | 第32-34页 |
| 3.2.3 Trust Impact MF模型时间复杂度 | 第34-35页 |
| 3.3 数据集以评价标准 | 第35-36页 |
| 3.3.1 数据集介绍 | 第35-36页 |
| 3.3.2 评价指标 | 第36页 |
| 3.4 Trust Impact MF模型实验结果及分析 | 第36-43页 |
| 3.4.1 对比算法 | 第36-37页 |
| 3.4.2 实验环境 | 第37页 |
| 3.4.3 实验设计 | 第37-38页 |
| 3.4.4 实验结果分析 | 第38-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 融合用户相似度及信任关系的推荐算法 | 第44-60页 |
| 4.1 重构信任关系网络 | 第44-46页 |
| 4.2 融合用户相似度及信任关系的Sim Trust MF模型 | 第46-53页 |
| 4.2.1 Sim Trust MF模型 | 第46-50页 |
| 4.2.2 Sim Trust MF模型时间复杂度与算法实现 | 第50-53页 |
| 4.2.3 Sim Trust MF模型分析 | 第53页 |
| 4.3 数据集以评价标准 | 第53-54页 |
| 4.3.1 数据集介绍 | 第53页 |
| 4.3.2 评价指标 | 第53-54页 |
| 4.4 Sim Trust MF模型实验结果及分析 | 第54-59页 |
| 4.4.1 对比算法 | 第54页 |
| 4.4.2 实验环境 | 第54页 |
| 4.4.3 实验设计 | 第54-55页 |
| 4.4.4 实验结果分析 | 第55-59页 |
| 4.5 本章小结 | 第59-60页 |
| 主要结论与展望 | 第60-62页 |
| 主要结论 | 第60页 |
| 展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第67页 |
