| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-23页 |
| 1.1 研究现状与意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究现状与意义 | 第10-12页 |
| 1.2 相关技术及问题分析 | 第12-20页 |
| 1.2.1 建立云服务异质信息网络 | 第12-14页 |
| 1.2.2 基于相似度计算与用户兴趣模型的云服务推荐 | 第14-16页 |
| 1.2.3 基于聚类的云服务推荐 | 第16-17页 |
| 1.2.4 基于关联规则的云服务推荐 | 第17-19页 |
| 1.2.5 问题分析 | 第19-20页 |
| 1.3 主要研究内容与创新 | 第20-21页 |
| 1.4 论文组织结构 | 第21-23页 |
| 第二章 基于相似性度量算法的云服务兴趣模型 | 第23-34页 |
| 2.1 AVGSIM相似性度量算法 | 第23-25页 |
| 2.1.1 算法原理 | 第23-24页 |
| 2.1.2 问题描述 | 第24-25页 |
| 2.2 HAVGSIM相似性度量算法 | 第25-26页 |
| 2.2.1 可行性分析 | 第25页 |
| 2.2.2 算法改进 | 第25-26页 |
| 2.3 实验评估 | 第26-29页 |
| 2.3.1 实验准备 | 第27页 |
| 2.3.2 实验结果与分析 | 第27-29页 |
| 2.4 建立用户兴趣模型 | 第29-32页 |
| 2.4.1 建立模型 | 第29-30页 |
| 2.4.2 实验 | 第30-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 基于用户兴趣的聚类 | 第34-43页 |
| 3.1 KHM聚类算法 | 第34-36页 |
| 3.1.1 算法原理 | 第34-36页 |
| 3.1.2 问题分析 | 第36页 |
| 3.2 基于元路径改进传统KHM聚类算法 | 第36-38页 |
| 3.2.1 可行性分析 | 第36-37页 |
| 3.2.2 算法改进 | 第37-38页 |
| 3.3 实验评估 | 第38-42页 |
| 3.3.1 实验准备 | 第39页 |
| 3.3.2 实验结果与分析 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于FP-GROWTH关联规则算法的云服务推荐 | 第43-53页 |
| 4.1 FP-GROWTH关联规则挖掘算法 | 第43-48页 |
| 4.1.1 关联规则基本概念 | 第43-44页 |
| 4.1.2 FP-Growth算法原理 | 第44-47页 |
| 4.1.3 问题分析 | 第47-48页 |
| 4.2 改进FP-GROWTH算法 | 第48-50页 |
| 4.2.1 可行性分析 | 第48页 |
| 4.2.2 算法改进 | 第48-50页 |
| 4.3 实验评估 | 第50-52页 |
| 4.3.1 实验准备 | 第50页 |
| 4.3.2 实验结果与分析 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 基于关联规则与用户兴趣聚类的云服务推荐 | 第53-58页 |
| 5.1 基于FP-GROWTH算法与用户聚类的云服务推荐 | 第53-55页 |
| 5.1.1 FP-Growth算法的推荐过程 | 第53-54页 |
| 5.1.2 结合基于用户兴趣的KHM聚类与FP-Growth算法进行云服务推荐 | 第54-55页 |
| 5.2 实验评估 | 第55-56页 |
| 5.2.1 实验准备 | 第55页 |
| 5.2.2 实验结果与分析 | 第55-56页 |
| 5.3 本章小结 | 第56-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58-59页 |
| 6.2 研究展望 | 第59-60页 |
| 参考文献 | 第60-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间所取得的研究成果 | 第70页 |
