面向服务推荐的多源个人数据相关性分析
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题的来源与背景 | 第9页 |
| 1.2 课题研究意义 | 第9-10页 |
| 1.3 国内外研究综述 | 第10-15页 |
| 1.3.1 多源数据融合技术的相关研究 | 第11页 |
| 1.3.2 相关性分析的相关研究 | 第11-12页 |
| 1.3.3 推荐算法的相关研究 | 第12-14页 |
| 1.3.4 现有研究的不足 | 第14-15页 |
| 1.4 本文的主要研究内容及章节安排 | 第15-16页 |
| 第2章 多源个人数据的采集与处理 | 第16-25页 |
| 2.1 多源个人数据 | 第16-17页 |
| 2.2 实验数据收集与处理 | 第17-24页 |
| 2.2.1 实验用户获取 | 第17-20页 |
| 2.2.2 服务数据收集 | 第20-23页 |
| 2.2.3 数据时序化处理 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 基于主题概率模型的多源数据相关性分析 | 第25-36页 |
| 3.1 多源个人数据的主题抽取 | 第25-29页 |
| 3.2 多服务间的相关性计算 | 第29-35页 |
| 3.2.1 用户维度相关性分析 | 第29-32页 |
| 3.2.2 时间维度相关性分析 | 第32-33页 |
| 3.2.3 用户兴趣演化分析 | 第33-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 多源数据间的相关性形态及其演化分析 | 第36-54页 |
| 4.1 服务数据间相关性形态挖掘 | 第36-39页 |
| 4.2 实验验证 | 第39-45页 |
| 4.2.1 相关性形态挖掘 | 第39-43页 |
| 4.2.2 相关性形态统计 | 第43-44页 |
| 4.2.3 实验结论分析 | 第44-45页 |
| 4.3 相关性形态演化分析 | 第45-53页 |
| 4.3.1 基于时序数据的相关性形态演化 | 第45-49页 |
| 4.3.2 基于相关性形态的用户差异分析 | 第49-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 基于多源个人数据相关性的推荐策略分析 | 第54-64页 |
| 5.1 推荐算法数据融合策略 | 第54页 |
| 5.2 推荐算法构建 | 第54-57页 |
| 5.3 实验与分析 | 第57-61页 |
| 5.3.1 实验数据与环境变量 | 第57-58页 |
| 5.3.2 推荐策略对比 | 第58-61页 |
| 5.3.3 实验结论分析 | 第61页 |
| 5.4 用户最优推荐策略选择 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第71-73页 |
| 致谢 | 第73页 |
