| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| Content | 第11-13页 |
| 第1章 绪论 | 第13-23页 |
| ·研究的背景与意义 | 第13-14页 |
| ·研究背景 | 第13页 |
| ·研究意义 | 第13-14页 |
| ·国内外研究现状 | 第14-20页 |
| ·大众标注系统的研究现状 | 第14-15页 |
| ·个性化推荐系统的研究现状 | 第15-18页 |
| ·高阶奇异值分解的研究现状 | 第18-20页 |
| ·论文的研究内容、技术路线和研究方法 | 第20-22页 |
| ·研究内容及框架 | 第20页 |
| ·论文的技术路线 | 第20-21页 |
| ·研究方法 | 第21-22页 |
| ·创新点 | 第22页 |
| ·本章小结 | 第22-23页 |
| 第2章 大众标注的研究概况 | 第23-30页 |
| ·大众标注与社交媒体的关系 | 第23-25页 |
| ·大众标注与语义分析的关联 | 第25-26页 |
| ·大众标注中标签理论的研究 | 第26-29页 |
| ·标注语义信息挖掘的相关研究 | 第26-27页 |
| ·标注系统的研究现状 | 第27-28页 |
| ·标签云的相关研究 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 电子商务推荐系统概况 | 第30-43页 |
| ·电子商务推荐系统的基本概述 | 第30页 |
| ·电子商务推荐系统算法 | 第30-35页 |
| ·基于规则的推荐方法 | 第30-31页 |
| ·基于内容的推荐方法 | 第31-32页 |
| ·协同过滤推荐方法 | 第32-34页 |
| ·推荐系统评价指标 | 第34-35页 |
| ·个性化电子商务推荐系统 | 第35-40页 |
| ·经典的个性化推荐系统 | 第35-36页 |
| ·基于大众标注的个性化推荐系统 | 第36页 |
| ·基于标签的个性化推荐系统 | 第36-37页 |
| ·基于 Web 语义的个性化推荐系统 | 第37-39页 |
| ·各方法之间的相互关系 | 第39-40页 |
| ·电子商务推荐系统存在的缺陷及解决思路 | 第40-42页 |
| ·冷起动问题 | 第40页 |
| ·数据矩阵的稀疏性 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 基于 K-means 和 HOSVD 的推荐算法 | 第43-55页 |
| ·推荐方法的改进以及设计架构概况 | 第43-44页 |
| ·改进方法的提出 | 第43-44页 |
| ·改良方案的设计架构 | 第44页 |
| ·基于 K-means 和张量分解的个性化推荐算法 | 第44-54页 |
| ·算法处理流程 | 第44-45页 |
| ·K-means 聚类的计算 | 第45-48页 |
| ·高阶奇异值分解（HOSVD）建模 | 第48-54页 |
| ·本章小结 | 第54-55页 |
| 第5章 数据实验论证 | 第55-63页 |
| ·实验数据和环境 | 第55页 |
| ·数据集的 K-means 聚类实验 | 第55-58页 |
| ·实验过程 | 第55-56页 |
| ·实验数据处理与分析 | 第56-58页 |
| ·HOSVD 张量分解实验 | 第58-62页 |
| ·实验过程 | 第58页 |
| ·实验数据分析 | 第58-62页 |
| ·本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 本文总结 | 第63页 |
| 研究展望 | 第63-65页 |
| 参考文献 | 第65-72页 |
| 攻读学位期间发表的论文及参与的科研项目 | 第72-73页 |
| 致谢 | 第73-74页 |
| 详细摘要 | 第74-78页 |