摘要 | 第1-5页 |
ABSTRACT | 第5-10页 |
第一章 课题背景 | 第10-19页 |
·背景综述 | 第10-12页 |
·国内外研究现状 | 第12-19页 |
·基于内容的过滤技术 | 第13页 |
·协同过滤技术 | 第13-14页 |
·基于知识的推荐技术 | 第14-15页 |
·基于功能的推荐技术 | 第15页 |
·基于人口统计学的推荐技术 | 第15-17页 |
·对以上技术的小结 | 第17-19页 |
第二章 系统架构概述 | 第19-24页 |
·Agent Building (代理构建功能) | 第19-21页 |
·构建推荐代理实现对单个用户数据的快速采集和管理 | 第20页 |
·利用社区代理实现对大数据量用户的管理和动态调整 | 第20页 |
·建立调度Agent 进行后台监听和任务调度 | 第20-21页 |
·Classification & Self-Organization (分类与自组织功能) | 第21页 |
·社区特征动态挖掘 | 第21页 |
·实时的社区自组织 | 第21页 |
·Recommendation (推荐功能) | 第21-24页 |
·社区用户个性化推荐模块 | 第22页 |
·决策者个性化推荐模块 | 第22-23页 |
·社区用户即时交流模块 | 第23-24页 |
第三章 子系统详述 | 第24-35页 |
·学习平台构建 | 第24-29页 |
·JADE 平台 | 第24-26页 |
·Agent 特征 | 第26-29页 |
·基于JADE 的Agent 实现 | 第29-35页 |
·收藏夹功能模块 | 第30-31页 |
·已推荐资源功能模块 | 第31-32页 |
·社区邻居协同学习功能模块 | 第32-35页 |
第四章 推荐系统的自组织社区算法 | 第35-46页 |
·推荐系统中的社区结构发现方法 | 第35-39页 |
·基于信息统计的用户档案匹配方法 | 第35-36页 |
·基于用户打分相似度计算的方法 | 第36-37页 |
·基于隐式信息挖掘的方法 | 第37页 |
·基于小世界网络的方法 | 第37-39页 |
·算法一览 | 第39-40页 |
·基于Hebbian Learning Law 的自组织社区算法 | 第40-44页 |
·社区初始化 | 第40-41页 |
·权值更新算法 | 第41-43页 |
·潜在邻居结构调整 | 第43-44页 |
·优化策略 | 第44-46页 |
·反身性 | 第44-45页 |
·专家策略 | 第45-46页 |
第五章 实验及分析 | 第46-52页 |
·满意度度量 | 第46-48页 |
·性能分析 | 第48-50页 |
·准确率(Accuracy) | 第48-49页 |
·可扩展性(Scalability) | 第49-50页 |
·误差分析 | 第50-52页 |
第六章 总结与展望 | 第52-54页 |
参考文献 | 第54-58页 |
致谢 | 第58-59页 |
攻读学位期间发表的学术论文目录 | 第59页 |