| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题背景 | 第12-13页 |
| 1.2 研究内容 | 第13-17页 |
| 1.3 文章结构 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 研究现状概述 | 第19-32页 |
| 2.1 个性化推荐算法研究现状 | 第19-24页 |
| 2.1.1 协同过滤推荐算法 | 第20-23页 |
| 2.1.2 基于内容的推荐算法 | 第23-24页 |
| 2.2 相关排序算法研究概述 | 第24-28页 |
| 2.2.1 PageRank排序算法 | 第25-27页 |
| 2.2.2 HITS算法 | 第27-28页 |
| 2.3 相关聚类研究概述 | 第28-31页 |
| 2.3.1 谱聚类 | 第29-30页 |
| 2.3.2 RankClus算法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 APP信息网络模型及排序分布计算 | 第32-47页 |
| 3.1 算法所涉及相关定义 | 第32-34页 |
| 3.2 构造APP星形信息网络 | 第34-38页 |
| 3.2.1 基于APP分类文本的TF-IDF改进方法 | 第34-38页 |
| 3.3 综合权值计算策略 | 第38-41页 |
| 3.3.1 基于下载量的权值计算策略 | 第39页 |
| 3.3.2 基于时间窗口的权值计算策略 | 第39-40页 |
| 3.3.3 基于隐式反馈的权值计算策略 | 第40-41页 |
| 3.4 APP附属类型排序分布计算模型 | 第41-46页 |
| 3.4.1 迭代排序算法 | 第42-44页 |
| 3.4.2 基于边权值的排序算法 | 第44页 |
| 3.4.3 排序分布计算策略 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于异构信息网络聚类的推荐算法 | 第47-65页 |
| 4.1 基于排序分布的APP聚类算法 | 第47-57页 |
| 4.1.1 建立概率生成模型 | 第48-54页 |
| 4.1.2 基于贝叶斯理论后验概率计算模型 | 第54页 |
| 4.1.3 EM算法估计参数 | 第54-56页 |
| 4.1.4 利用聚类分布进行聚类分析 | 第56-57页 |
| 4.2 基于不同类簇的推荐算法实现 | 第57-63页 |
| 4.2.1 基于伪评分的IBCF算法 | 第57-60页 |
| 4.2.2 基于时间衰退的UBCF算法 | 第60-62页 |
| 4.2.3 冷启动问题处理 | 第62-63页 |
| 4.3 本章小结 | 第63-65页 |
| 第5章 实验与分析 | 第65-83页 |
| 5.1 数据预处理 | 第65-70页 |
| 5.2 实验环境 | 第70页 |
| 5.3 评价标准 | 第70-71页 |
| 5.4 结果分析 | 第71-82页 |
| 5.4.1 实验参数 | 第71-73页 |
| 5.4.2 三种综合权值计算策略对比分析 | 第73-76页 |
| 5.4.3 聚类数目对推荐效果的影响 | 第76-78页 |
| 5.4.4 时间衰退系数对Time-UBCF的影响 | 第78-79页 |
| 5.4.5 覆盖率评估 | 第79-82页 |
| 5.4.6 实验总结 | 第82页 |
| 5.5 本章小结 | 第82-83页 |
| 第6章 总结与展望 | 第83-85页 |
| 6.1 工作总结 | 第83-84页 |
| 6.2 未来展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 攻读硕士学位期间主要的研究成果 | 第89-90页 |
| 致谢 | 第90页 |