基于本体的个性化知识推荐技术研究及应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 注释表 | 第10-11页 |
| 第一章 绪论 | 第11-23页 |
| ·研究背景及意义 | 第11-12页 |
| ·个性化推荐技术及研究现状 | 第12-16页 |
| ·个性化推荐技术概述 | 第12-14页 |
| ·个性化推荐研究现状 | 第14-16页 |
| ·用户建模理论及研究现状 | 第16-21页 |
| ·用户建模的信息获取 | 第16-17页 |
| ·用户模型的表示 | 第17-19页 |
| ·用户模型的学习和更新 | 第19页 |
| ·用户建模技术分类 | 第19-20页 |
| ·用户建模的研究现状 | 第20-21页 |
| ·论文研究内容及组织结构 | 第21-23页 |
| ·论文研究内容 | 第21页 |
| ·论文组织结构 | 第21-23页 |
| 第二章 PKRT-DKMS 总体框架 | 第23-31页 |
| ·系统需求分析 | 第23-25页 |
| ·系统框架设计 | 第25-26页 |
| ·系统推荐流程 | 第26-27页 |
| ·系统关键技术 | 第27-30页 |
| ·基于本体的知识组织方法 | 第28-29页 |
| ·基于本体的细粒度用户建模方法 | 第29页 |
| ·基于本体的多层协同过滤推荐算法 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 基于本体的细粒度用户建模方法研究 | 第31-43页 |
| ·本体的概念和分类 | 第31-32页 |
| ·本体的概念 | 第31-32页 |
| ·本体的分类 | 第32页 |
| ·基于本体的细粒度用户建模方法 | 第32-34页 |
| ·用户建模思路 | 第32-33页 |
| ·用户建模流程 | 第33-34页 |
| ·基于本体的细粒度用户模型的表示 | 第34-38页 |
| ·设计知识领域本体 | 第34-35页 |
| ·用户模型的表示 | 第35-38页 |
| ·基于本体的细粒度用户模型的学习和更新 | 第38-42页 |
| ·基于浏览行为的用户兴趣度估计 | 第38-39页 |
| ·用户模型的推理学习 | 第39-40页 |
| ·用户模型的更新机制 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于本体的多层协同过滤推荐算法研究 | 第43-56页 |
| ·协同过滤推荐算法 | 第43-46页 |
| ·协同过滤推荐的基本原理 | 第43-44页 |
| ·传统的协同过滤推荐算法 | 第44-45页 |
| ·协同过滤推荐中存在的问题 | 第45-46页 |
| ·基于本体的多层协同过滤推荐算法总体设计 | 第46-48页 |
| ·算法设计思路 | 第46-47页 |
| ·算法流程分析 | 第47-48页 |
| ·基于本体的多层协同过滤推荐算法 | 第48-53页 |
| ·算法描述 | 第48-49页 |
| ·用户背景相似性的度量 | 第49-50页 |
| ·用户兴趣概念相似性的度量 | 第50页 |
| ·候选邻居集合的生成 | 第50-51页 |
| ·用户兴趣实例相似性的度量 | 第51-53页 |
| ·最近邻居集的生成及推荐的产生 | 第53页 |
| ·实验及分析 | 第53-55页 |
| ·数据集和评估标准 | 第53-54页 |
| ·实验结果及分析 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 PKRT-DKMS 实现与应用 | 第56-67页 |
| ·系统介绍 | 第56-59页 |
| ·项目背景 | 第56-57页 |
| ·功能结构 | 第57-58页 |
| ·知识使用场景 | 第58-59页 |
| ·开发和运行环境 | 第59-60页 |
| ·开发环境 | 第59-60页 |
| ·运行环境 | 第60页 |
| ·系统设计 | 第60-64页 |
| ·系统用例图 | 第60-61页 |
| ·系统类图 | 第61-63页 |
| ·系统顺序图 | 第63-64页 |
| ·系统运行实例 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| ·总结 | 第67页 |
| ·展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 在学期间的研究成果及发表的学术论文 | 第74页 |
