基于社交网络的跨域信息推荐技术研究及应用
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第9-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 主要工作及研究成果 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-17页 |
| 第二章 相关技术 | 第17-25页 |
| 2.1 社交网络特征 | 第17-18页 |
| 2.2 推荐系统结构框架 | 第18-19页 |
| 2.3 推荐系统的数据来源 | 第19页 |
| 2.4 技术难点 | 第19-22页 |
| 2.4.1 数据稀疏性 | 第20页 |
| 2.4.2 过拟合问题 | 第20页 |
| 2.4.3 数据精确性 | 第20-21页 |
| 2.4.4 特征选取问题 | 第21页 |
| 2.4.5 冷启动 | 第21页 |
| 2.4.6 实时性 | 第21-22页 |
| 2.4.7 本课题主要解决的难点 | 第22页 |
| 2.5 本章小结 | 第22-25页 |
| 第三章 基础推荐算法 | 第25-35页 |
| 3.1 关联模型算法 | 第25-26页 |
| 3.2 基于内容属性的算法 | 第26-27页 |
| 3.3 协同过滤相关算法 | 第27-30页 |
| 3.3.1 相似度计算方法 | 第28页 |
| 3.3.2 最近邻算法 | 第28-30页 |
| 3.3.2.1 基于用户的最近邻协同过滤算法 | 第29页 |
| 3.3.2.2 基于物品的最近邻协同过滤算法 | 第29-30页 |
| 3.4 纯奇异值分解算法 | 第30-31页 |
| 3.4.1 奇异值分解理论 | 第30-31页 |
| 3.4.2 算法描述 | 第31页 |
| 3.5 隐含因素算法 | 第31-33页 |
| 3.5.1 隐含因素模型的矩阵分解理论 | 第31-32页 |
| 3.5.2 随机梯度下降法 | 第32-33页 |
| 3.6 各推荐算法比较 | 第33-34页 |
| 3.7 本章小结 | 第34-35页 |
| 第四章 基于链接预测的相似度算法 | 第35-47页 |
| 4.1 网络在图论中的定义 | 第35-36页 |
| 4.1.1 网络节点和链接的定义 | 第35页 |
| 4.1.2 网络表示方法简化 | 第35-36页 |
| 4.2 评价指标 | 第36-37页 |
| 4.3 基于相似性的链接预测改进方法及其实验 | 第37-44页 |
| 4.3.1 实验设计方案 | 第37-38页 |
| 4.3.2 基础预测方法 | 第38-41页 |
| 4.3.3 预测方法改进 | 第41-44页 |
| 4.4 本章小结 | 第44-47页 |
| 第五章 基于跨域融合方法的推荐系统设计 | 第47-59页 |
| 5.1 性能评价标准 | 第47-48页 |
| 5.2 基于相似度的融合推荐系统设计方案 | 第48-54页 |
| 5.2.1 系统架构设计 | 第48-49页 |
| 5.2.2 推荐系统的跨域改进方法 | 第49-54页 |
| 5.3 基于隐含因素算法的推荐系统设计方案 | 第54-57页 |
| 5.3.1 系统架构设计 | 第54-55页 |
| 5.3.2 推荐系统的训练方法改进 | 第55-57页 |
| 5.4 推荐系统设计方案对比 | 第57页 |
| 5.5 本章小结 | 第57-59页 |
| 第六章 结束语 | 第59-61页 |
| 6.1 论文工作总结 | 第59-60页 |
| 6.2 未来工作展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65页 |
