| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 第二章 相关理论和技术 | 第14-22页 |
| 2.1 协同过滤推荐算法 | 第14-17页 |
| 2.1.1 基于记忆的协同过滤推荐算法 | 第14-16页 |
| 2.1.2 基于模型的协同过滤推荐算法 | 第16-17页 |
| 2.2 矩阵分解模型 | 第17-20页 |
| 2.2.1 传统的矩阵分解SVD模型 | 第18-19页 |
| 2.2.2 Funk-SVD推荐模型 | 第19-20页 |
| 2.2.3 BiasSVD推荐模型 | 第20页 |
| 2.2.4 SVD++推荐模型 | 第20页 |
| 2.3 社交网络 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于好友关系和流行度的协同过滤推荐算法 | 第22-28页 |
| 3.1 矩阵分解模型中隐反馈信息的作用 | 第22-23页 |
| 3.2 基于好友关系的协同过滤推荐算法 | 第23-25页 |
| 3.2.1 好友关系强度分析 | 第23页 |
| 3.2.2 好友关系强度计算 | 第23-25页 |
| 3.2.3 基于好友关系的协同过滤推荐模型 | 第25页 |
| 3.3 基于好友关系和流行度的协同过滤推荐算法 | 第25-27页 |
| 3.3.1 社会流行度 | 第25-26页 |
| 3.3.2 基于好友关系和流行度的协同过滤推荐模型 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第四章 实验 | 第28-40页 |
| 4.1 实验数据 | 第28-32页 |
| 4.2 实验评价指标 | 第32页 |
| 4.3 实验方法及框架 | 第32-36页 |
| 4.3.1 实验方法 | 第33-34页 |
| 4.3.2 实验框架 | 第34-36页 |
| 4.4 实验结果及分析 | 第36-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第五章 总结与展望 | 第40-42页 |
| 5.1 本文工作总结 | 第40页 |
| 5.2 未来展望 | 第40-42页 |
| 参考文献 | 第42-46页 |
| 致谢 | 第46页 |