| 摘要 | 第7-9页 |
| ABSTRACT | 第9-11页 |
| 第一章 绪论 | 第16-27页 |
| 1.1 研究背景 | 第16-23页 |
| 1.1.1 Web服务 | 第16页 |
| 1.1.2 Web服务索引 | 第16-17页 |
| 1.1.3 社会化标签的起源 | 第17页 |
| 1.1.4 社会化标签系统模型 | 第17-20页 |
| 1.1.5 社会化标签系统的特点与不足 | 第20-22页 |
| 1.1.6 个性化信息推荐 | 第22-23页 |
| 1.2 问题的提出及意义 | 第23-24页 |
| 1.3 本文研究的主要内容及研究体系 | 第24-25页 |
| 1.4 论文的组织结构 | 第25-27页 |
| 第二章 相关研究 | 第27-39页 |
| 2.1 引言 | 第27-29页 |
| 2.2 信息检索(IR) | 第29-31页 |
| 2.2.1 信息检索简介 | 第29-30页 |
| 2.2.2 信息检索的目标 | 第30页 |
| 2.2.3 信息检索的基本方法 | 第30-31页 |
| 2.3 Web服务发现 | 第31-33页 |
| 2.3.1 扩充服务请求 | 第31-32页 |
| 2.3.2 使用图匹配的BPEL过程排序 | 第32页 |
| 2.3.3 基于层次的Web服务发现 | 第32-33页 |
| 2.3.4 在异构网络中的服务发现 | 第33页 |
| 2.4 个性化信息推荐研究现状 | 第33-35页 |
| 2.5 标注分布 | 第35-36页 |
| 2.5.1 标注系统词汇 | 第35-36页 |
| 2.5.2 资源的标签增长 | 第36页 |
| 2.5.3 用户标签词汇的增长 | 第36页 |
| 2.6 推荐标签 | 第36-39页 |
| 第三章 基于随机游走的标签推荐和服务发现方法 | 第39-55页 |
| 3.1 引言 | 第39页 |
| 3.2 相关研究工作 | 第39-40页 |
| 3.3 基于随机游走的标签推荐方法 | 第40-43页 |
| 3.3.1 网络模型 | 第40-42页 |
| 3.3.2 随机游走模型 | 第42页 |
| 3.3.3 在TTN上的随机游走 | 第42-43页 |
| 3.4 API服务的相似性 | 第43-44页 |
| 3.4.1 文本文档的向量空间模型 | 第43页 |
| 3.4.2 余弦相似度 | 第43-44页 |
| 3.5 基于随机游走的服务查询和标签推荐方法 | 第44-46页 |
| 3.5.1 标签推荐 | 第44-45页 |
| 3.5.2 基于标签的服务查询 | 第45-46页 |
| 3.5.3 算法复杂性分析 | 第46页 |
| 3.6 实验及分析 | 第46-54页 |
| 3.6.1 数据收集 | 第46页 |
| 3.6.2 标签过滤 | 第46-47页 |
| 3.6.3 度量指标 | 第47-48页 |
| 3.6.4 标签推荐 | 第48页 |
| 3.6.5 对比试验 | 第48-52页 |
| 3.6.6 系统验证 | 第52-54页 |
| 3.7 本章小结 | 第54-55页 |
| 第四章 基于标签推荐的服务聚类方法 | 第55-69页 |
| 4.1 引言 | 第55-56页 |
| 4.2 相关研究工作 | 第56-58页 |
| 4.3 基于扩充和精化的标签推荐 | 第58-59页 |
| 4.4 Web服务聚类 | 第59-65页 |
| 4.4.1 预处理文档 | 第59-60页 |
| 4.4.2 皮尔逊相关系数 | 第60页 |
| 4.4.3 API、Tag相似性 | 第60-61页 |
| 4.4.4 相似性集成 | 第61页 |
| 4.4.5 常用的聚类方法 | 第61-64页 |
| 4.4.6 基于Mashup服务相似性的K-Means算法 | 第64-65页 |
| 4.5 实验 | 第65-68页 |
| 4.5.1 数据集和评价指标 | 第65-66页 |
| 4.5.2 实验方法 | 第66页 |
| 4.5.3 实验结果分析 | 第66-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第五章 基于主题的标签排序 | 第69-83页 |
| 5.1 引言 | 第69页 |
| 5.2 相关研究工作 | 第69-71页 |
| 5.3 标签推荐 | 第71-75页 |
| 5.3.1 问题定义 | 第71-72页 |
| 5.3.2 Latent Dirichlet Allocation(LDA) | 第72-73页 |
| 5.3.3 基于话题的标签推荐 | 第73-75页 |
| 5.4 标签话题提取 | 第75页 |
| 5.5 实验 | 第75-82页 |
| 5.5.1 文本和网页的预处理 | 第75-76页 |
| 5.5.2 数据收集和分析 | 第76-77页 |
| 5.5.3 实验设置及评价方法 | 第77页 |
| 5.5.4 delicious数据集的结果 | 第77-80页 |
| 5.5.5 ProgrammableWeb数据集的结果 | 第80-82页 |
| 5.6 本章小结 | 第82-83页 |
| 第六章 基于主动标注的标签预测 | 第83-94页 |
| 6.1 引言 | 第83页 |
| 6.2 相关研究工作 | 第83-84页 |
| 6.3 主动学习理论 | 第84-88页 |
| 6.3.1 主动学习的简单介绍 | 第84-85页 |
| 6.3.2 主动学习样本选择策略 | 第85-88页 |
| 6.4 主动标注 | 第88-90页 |
| 6.4.1 样本选择 | 第88-89页 |
| 6.4.2 标签预测 | 第89-90页 |
| 6.5 实验 | 第90-92页 |
| 6.5.1 数据集和参数设置 | 第90-91页 |
| 6.5.2 实验步骤 | 第91-92页 |
| 6.5.3 实验结果 | 第92页 |
| 6.6 本章小结 | 第92-94页 |
| 第七章 总结与展望 | 第94-96页 |
| 7.1 论文总结 | 第94-95页 |
| 7.2 下一步工作展望 | 第95-96页 |
| 参考文献 | 第96-108页 |
| 攻读博士学位期间的研究成果 | 第108-109页 |
| 致谢 | 第109页 |
