| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 上下文推荐系统简介 | 第12-14页 |
| 1.1.1 传统推荐系统简介 | 第12-13页 |
| 1.1.2 上下文推荐系统简介 | 第13-14页 |
| 1.2 上下文推荐系统的国内外研究现状 | 第14-15页 |
| 1.2.1 传统推荐系统研究现状 | 第14页 |
| 1.2.2 上下文推荐系统研究现状 | 第14-15页 |
| 1.3 推荐系统的架构和应用 | 第15-19页 |
| 1.3.1 推荐系统架构 | 第15-17页 |
| 1.3.2 推荐系统的应用 | 第17-19页 |
| 1.4 上下文推荐系统面临的主要问题 | 第19-21页 |
| 1.5 本文的主要工作 | 第21页 |
| 1.6 论文的组织结构 | 第21-24页 |
| 第二章 上下文感知推荐系统综述 | 第24-34页 |
| 2.1 用户行为数据简介 | 第24-26页 |
| 2.2 用户上下文信息的处理 | 第26-28页 |
| 2.2.1 上下文的定义 | 第26页 |
| 2.2.2 有效上下文的选择 | 第26-27页 |
| 2.2.3 上下文信息的获取 | 第27-28页 |
| 2.3 上下文用户偏好的提取技术 | 第28-29页 |
| 2.3.1 传统用户偏好提取技术 | 第28页 |
| 2.3.2 基于定量分析的上下文用户偏好提取技术 | 第28-29页 |
| 2.3.3 基于定性分析的上下文用户偏好提取技术 | 第29页 |
| 2.4 上下文感知推荐生成技术 | 第29-32页 |
| 2.4.1 基于协同过滤的上下文感知推荐生成技术 | 第29-30页 |
| 2.4.2 基于内容的上下文感知推荐生成技术 | 第30-31页 |
| 2.4.3 混合式上下文感知推荐生成技术 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 基于时间上下文的推荐算法 | 第34-46页 |
| 3.1 时间效应 | 第34-35页 |
| 3.2 系统时间特性的分析 | 第35-36页 |
| 3.3 推荐算法的实时性和时间多样性 | 第36-37页 |
| 3.3.1 实时性 | 第36页 |
| 3.3.2 时间多样性 | 第36-37页 |
| 3.4 融合用户时效偏好的推荐算法 | 第37-44页 |
| 3.4.1 相关工作 | 第38-39页 |
| 3.4.2 STG建模 | 第39-41页 |
| 3.4.3 基于STG推荐 | 第41-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 基于位置上下文的推荐算法 | 第46-58页 |
| 4.1 位置效应 | 第46-48页 |
| 4.2 基于协同过滤的位置感知推荐 | 第48-56页 |
| 4.2.1 基于位置推荐的相关工作 | 第48-49页 |
| 4.2.2 金字塔模型 | 第49-51页 |
| 4.2.3 基于金字塔模型的协同过滤算法(PMCF) | 第51-55页 |
| 4.2.4 金字塔模型的维护 | 第55-56页 |
| 4.3 本章小结 | 第56-58页 |
| 第五章 实验结果 | 第58-70页 |
| 5.1 实验背景 | 第58-59页 |
| 5.1.1 实验数据集 | 第58页 |
| 5.1.2 实验评测指标 | 第58-59页 |
| 5.2 融合用户时效偏好的推荐算法的实验结果 | 第59-64页 |
| 5.2.1 基于无时态数据的参数ρ | 第59-60页 |
| 5.2.2 基于时态数据的参数β和η实验结果 | 第60-64页 |
| 5.2.3 实验结果 | 第64页 |
| 5.3 基于协同过滤的位置感知推荐系统的实验结果 | 第64-68页 |
| 5.3.1 在MovieLens数据集上的实验结果 | 第64-66页 |
| 5.3.2 在Foursquare数据集上的实验结果 | 第66-67页 |
| 5.3.3 在Synthetic数据集上的实验结果 | 第67-68页 |
| 5.4 实验总结 | 第68-70页 |
| 第六章 结论 | 第70-72页 |
| 6.1 结论 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 6.2.1 下一步的工作 | 第71页 |
| 6.2.2 展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 作者简介 | 第76页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第76-78页 |
| 致谢 | 第78页 |
