| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景与研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 个性化推荐技术研究现状 | 第9-10页 |
| 1.2.2 Web服务推荐技术研究现状 | 第10-12页 |
| 1.3 论文主要研究内容和目的 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 2 相关技术研究分析 | 第14-25页 |
| 2.1 Web服务相关技术 | 第14-18页 |
| 2.1.1 Web服务定义 | 第14-15页 |
| 2.1.2 Web服务基础协议及体系结构 | 第15-17页 |
| 2.1.3 Web服务的QoS属性 | 第17页 |
| 2.1.4 基于QoS属性的关键技术研究 | 第17-18页 |
| 2.2 协同过滤推荐算法研究 | 第18-22页 |
| 2.2.1 基于内存的协同推荐 | 第20-21页 |
| 2.2.2 基于模型的协同过滤 | 第21-22页 |
| 2.3 张量分解模型研究 | 第22-24页 |
| 2.3.1 张量定义 | 第22-23页 |
| 2.3.2 张量分解模型 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 结合位置近邻和张量分解的服务推荐研究 | 第25-45页 |
| 3.1 问题背景 | 第25-27页 |
| 3.2 结合位置近邻和张量分解的服务推荐框架 | 第27-28页 |
| 3.3 结合位置近邻和张量分解的QoS属性值预测算法 | 第28-38页 |
| 3.3.1 问题定义 | 第28页 |
| 3.3.2 算法框架描述 | 第28-30页 |
| 3.3.3 基于位置的最近邻计算 | 第30-31页 |
| 3.3.4 基于时间上下文的张量建模 | 第31-33页 |
| 3.3.5 基础张量分解模型 | 第33-37页 |
| 3.3.6 结合近邻正则化的张量分解 | 第37-38页 |
| 3.4 实验及结果分析 | 第38-44页 |
| 3.4.1 实验数据集 | 第38页 |
| 3.4.2 数据分析及处理 | 第38-39页 |
| 3.4.3 评价指标 | 第39页 |
| 3.4.4 实验结果分析 | 第39-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 基于位置聚类和分层张量分解的服务推荐研究 | 第45-57页 |
| 4.1 问题背景 | 第45页 |
| 4.2 基于位置聚类和分层张量分解的服务推荐算法 | 第45-52页 |
| 4.2.1 算法框架 | 第45-46页 |
| 4.2.2 基于用户和服务位置的聚类 | 第46-47页 |
| 4.2.3 基于时间上下文的分层张量分解模型 | 第47-52页 |
| 4.3 实验及结果分析 | 第52-56页 |
| 4.3.1 实验准备 | 第52页 |
| 4.3.2 实验结果分析 | 第52-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 基于位置聚类和张量分解的Web服务推荐原型系统 | 第57-65页 |
| 5.1 Web服务推荐原型系统需求分析 | 第57-59页 |
| 5.2 Web服务推荐原型系统功能模块 | 第59-64页 |
| 5.2.1 日志管理模块 | 第60-61页 |
| 5.2.2 用户及服务管理模块 | 第61页 |
| 5.2.3 个性化推荐模块 | 第61-64页 |
| 5.3 本章小结 | 第64-65页 |
| 6 结论与展望 | 第65-67页 |
| 6.1 结论 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 附录 | 第72页 |
| A 作者在攻读硕士学期期间发表的论文 | 第72页 |
| B 作者在攻读硕士学位期间参与的科研项目 | 第72页 |