| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪言 | 第6-9页 |
| 1.1 APP及其特点 | 第6页 |
| 1.2 本文研究的意义 | 第6-7页 |
| 1.3 课题研究的现状概述及本文的亮点 | 第7-8页 |
| 1.4 论文的篇章结构 | 第8-9页 |
| 第二章 推荐系统概述 | 第9-24页 |
| 2.1 什么是推荐系统 | 第9-10页 |
| 2.1.1 搜索与推荐的比较 | 第9-10页 |
| 2.1.2 个性化与推荐的比较 | 第10页 |
| 2.2 推荐系统的意义 | 第10-12页 |
| 2.3 推荐系统的分类、常见方法及优缺点 | 第12-16页 |
| 2.3.1 根据推荐引擎的使用数据来源来分类 | 第12-14页 |
| 2.3.2 根据推荐模型的建立方式来分 | 第14-16页 |
| 2.3.3 混合的推荐系统 | 第16页 |
| 2.4 现有常见商业推荐系统的介绍 | 第16-18页 |
| 2.4.1 亚马逊(Amazon)的推荐系统——商品项目协同的鼻祖 | 第16-17页 |
| 2.4.2 阿里巴巴(Alibaba)的推荐系统——商业世界芝麻开门的密咒 | 第17页 |
| 2.4.3 百度的推荐引擎——从搜索走向推荐 | 第17-18页 |
| 2.4.4 潘多拉(Pandora)——基于基因的推荐系统 | 第18页 |
| 2.5 APP推荐系统的特点 | 第18-19页 |
| 2.6 推荐系统的挑战与未来 | 第19-20页 |
| 2.7 算法相关复杂网络理论概述 | 第20-24页 |
| 2.7.1 复杂网络的常见概念和指标 | 第21页 |
| 2.7.2 复杂网络的特性与经典模型 | 第21-24页 |
| 第三章 基于复杂网络的推荐算法设计 | 第24-45页 |
| 3.1 现有基于网络结构的推荐算法研究 | 第24-25页 |
| 3.2 复杂网络推荐算法的设计基础 | 第25-32页 |
| 3.2.1 基础网络模型 | 第26-27页 |
| 3.2.2 社团划分 | 第27-29页 |
| 3.2.3 协同过滤中的链路预测 | 第29-30页 |
| 3.2.4 基于社团的协同过滤 | 第30-31页 |
| 3.2.5 局部热点与坍塌系数问题 | 第31-32页 |
| 3.2.6 兴趣度 | 第32页 |
| 3.3 基于网络社区的协同过滤推荐算法的核心思路 | 第32-42页 |
| 3.3.1 给异质二部加权网络下的定义和规则 | 第33-34页 |
| 3.3.2 算法的运算过程 | 第34-39页 |
| 3.3.3 算法的公式和伪码 | 第39-42页 |
| 3.4 算法的效果 | 第42-45页 |
| 第四章 混合APP推荐系统的设计与实现 | 第45-59页 |
| 4.1 系统的需求分析 | 第45-50页 |
| 4.1.1 系统的主要任务 | 第45-46页 |
| 4.1.2 系统设计时的一些原则 | 第46-47页 |
| 4.1.3 系统的分析 | 第47-50页 |
| 4.2 混合系统的实现 | 第50-53页 |
| 4.2.1 App推荐引擎的混合算法实现模型 | 第50-53页 |
| 4.3 推荐系统的框架 | 第53-56页 |
| 4.4 APP客户端 | 第56-59页 |
| 4.4.1 App客户端信息的获取 | 第57-59页 |
| 第五章 总结及展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
