| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 本章小结 | 第14-15页 |
| 第二章 相关概念与技术 | 第15-33页 |
| 2.1 协同过滤推荐算法 | 第15-21页 |
| 2.1.1 基本概念 | 第15-16页 |
| 2.1.2 协同过滤推荐算法分类 | 第16-17页 |
| 2.1.3 推荐算法的评价指标 | 第17-20页 |
| 2.1.4 传统协同过滤算法存在的问题 | 第20-21页 |
| 2.2 矩阵分解算法基础 | 第21-23页 |
| 2.2.1 矩阵分解模型 | 第21页 |
| 2.2.2 模型求解 | 第21-23页 |
| 2.3 推荐算法中的信任机制 | 第23-29页 |
| 2.3.1 推荐系统中的信任定义 | 第23-24页 |
| 2.3.2 信任分类 | 第24-25页 |
| 2.3.3 信任网络与信任矩阵 | 第25-27页 |
| 2.3.4 信任的传播与聚合 | 第27-29页 |
| 2.4 基于信任机制的推荐算法 | 第29-32页 |
| 2.4.1 基于信任的协同过滤推荐算法分类 | 第29-31页 |
| 2.4.2 信任推荐算法的优点及问题 | 第31-32页 |
| 本章小结 | 第32-33页 |
| 第三章 基于双信任机制的SVD推荐算法 | 第33-43页 |
| 3.1 基于双信任机制的SVD推荐算法 | 第33-38页 |
| 3.1.1 SVD及SVD++算法 | 第33-34页 |
| 3.1.2 显式信任与隐式信任 | 第34-35页 |
| 3.1.3 EITrustSVD算法介绍 | 第35-38页 |
| 3.2 基于FilmTrust数据集的实验分析 | 第38-42页 |
| 3.2.1 数据集及评价标准 | 第38-39页 |
| 3.2.2 参数选取 | 第39-40页 |
| 3.2.3 实验结果及分析 | 第40-42页 |
| 本章小结 | 第42-43页 |
| 第四章 加入信任学习的协同过滤推荐算法 | 第43-50页 |
| 4.1 加入信任学习的TrustLearning-SVD算法 | 第43-47页 |
| 4.1.1 信任影响权重 | 第43-45页 |
| 4.1.2 Trust Learning-SVD算法介绍 | 第45-47页 |
| 4.2 基于Ciao数据集的实验分析 | 第47-49页 |
| 4.2.1 测试数据集及评价标准 | 第47页 |
| 4.2.2 实验结果与分析 | 第47-49页 |
| 本章小结 | 第49-50页 |
| 第五章 加入动态变化相似度的信任推荐算法 | 第50-58页 |
| 5.1 加入动态变化相似度的信任推荐算法 | 第50-54页 |
| 5.1.1 相似度与信任推荐 | 第50-53页 |
| 5.1.2 加入动态变化相似度的Similarity-Trust Based算法 | 第53-54页 |
| 5.2 基于Ciao数据集的实验分析 | 第54-57页 |
| 5.2.1 数据集及评价标准 | 第54-55页 |
| 5.2.2 实验结果与分析 | 第55-57页 |
| 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65-66页 |
| 图版 | 第66-67页 |
