基于复杂网络理论的推荐算法研究
| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 1. 绪论 | 第13-17页 |
| ·问题的提出和研究意义 | 第13-15页 |
| ·研究方法和研究内容 | 第15-16页 |
| ·论文结构 | 第16-17页 |
| 2. 复杂网络与个性化推荐系统简介 | 第17-27页 |
| ·复杂网络理论 | 第17-24页 |
| ·复杂网络的主要拓扑特征 | 第17-19页 |
| ·经典复杂网络模型 | 第19-22页 |
| ·复杂网络研究现状 | 第22-24页 |
| ·个性化推荐系统简介 | 第24-27页 |
| ·个性化推荐系统基本原理 | 第24-26页 |
| ·个性化推荐系统面临的主要挑战 | 第26-27页 |
| 3. 推荐算法概述 | 第27-39页 |
| ·基于内容的推荐算法 | 第27-29页 |
| ·用户建模 | 第27-28页 |
| ·向量空间模型 | 第28页 |
| ·计算比较相似度 | 第28-29页 |
| ·协同过滤推荐算法 | 第29-32页 |
| ·协同过滤算法的数据表示 | 第29-30页 |
| ·协同过滤算法描述 | 第30-32页 |
| ·基于复杂网络结构的推荐算法 | 第32-36页 |
| ·基于二部图的物质扩散推荐算法 | 第32-34页 |
| ·初始资源对二部图推荐算法的影响 | 第34-35页 |
| ·去除重复属性的物质扩散算法 | 第35-36页 |
| ·现有推荐算法比较 | 第36-39页 |
| ·其他推荐算法 | 第36页 |
| ·推荐算法总结与比较 | 第36-39页 |
| 4. 基于随机游走的两部图推荐算法研究 | 第39-51页 |
| ·问题描述 | 第39-40页 |
| ·算法构造 | 第40-44页 |
| ·基于网络结构的协同过滤算法 | 第40-42页 |
| ·基于随机游走的推荐算法构造 | 第42-44页 |
| ·加入调节参数B的用户相似性度量方法 | 第42页 |
| ·考虑随机游走方向性的算法构造 | 第42-44页 |
| ·实验过程 | 第44-50页 |
| ·实验数据 | 第44-45页 |
| ·算法评价指标 | 第45-47页 |
| ·实验结果分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 5. 基于热传导的三部图推荐算法研究 | 第51-63页 |
| ·基于热传导的两部图推荐算法 | 第51-53页 |
| ·算法描述 | 第52-53页 |
| ·基于标签的三部图推荐算法 | 第53-55页 |
| ·算法描述 | 第54-55页 |
| ·修正的基于热传导的三部图推荐算法研究 | 第55-61页 |
| ·算法构造 | 第55-57页 |
| ·实验分析 | 第57-61页 |
| ·实验数据 | 第57-58页 |
| ·算法评价指标 | 第58-59页 |
| ·实验结果分析 | 第59-61页 |
| ·本章小结 | 第61-63页 |
| 6. 结论与展望 | 第63-67页 |
| ·论文主要工作总结 | 第63-65页 |
| ·展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 在读期间科研成果 | 第72页 |
