在线社会网络中的信息推荐技术研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第17-29页 |
| 1.1 研究工作的背景与意义 | 第17-20页 |
| 1.2 国内外研究现状 | 第20-22页 |
| 1.3 推荐系统的商业应用 | 第22-25页 |
| 1.4 数据集介绍 | 第25-27页 |
| 1.4.1 MovieLens电影评分数据 | 第25页 |
| 1.4.2 Netflix电影租赁评分数据 | 第25-26页 |
| 1.4.3 Delicious书签数据 | 第26页 |
| 1.4.4 Jester笑话数据 | 第26页 |
| 1.4.5 Amazon书籍在线销售数据 | 第26页 |
| 1.4.6 LastFM在线音乐数据 | 第26页 |
| 1.4.7 Epinions消费者评论社区数据 | 第26-27页 |
| 1.4.8 Friendfeed微博服务数据 | 第27页 |
| 1.5 本文的主要研究内容 | 第27-28页 |
| 1.6 本文的结构安排 | 第28-29页 |
| 第二章 信息推荐相关研究综述 | 第29-43页 |
| 2.1 引言 | 第29-31页 |
| 2.2 推荐系统的挑战 | 第31-33页 |
| 2.2.1 数据稀疏问题 | 第31页 |
| 2.2.2 可扩展性 | 第31-32页 |
| 2.2.3 邻居传递性的损失 | 第32页 |
| 2.2.4 同义性 | 第32页 |
| 2.2.5 异常用户问题 | 第32页 |
| 2.2.6 冷启动问题 | 第32页 |
| 2.2.7 准确率与多样性问题 | 第32-33页 |
| 2.2.8 推荐系统的评价问题 | 第33页 |
| 2.3 节点相似性 | 第33-35页 |
| 2.3.1 共同邻居 | 第33页 |
| 2.3.2 余弦相似性 | 第33-34页 |
| 2.3.3 Jaccard相似性 | 第34页 |
| 2.3.4 皮尔逊相似性 | 第34页 |
| 2.3.5 Sorenson指标 | 第34页 |
| 2.3.6 大度节点有利指标 | 第34页 |
| 2.3.7 大度节点不利指标 | 第34-35页 |
| 2.3.8 优先连接指标 | 第35页 |
| 2.4 推荐系统的分类 | 第35-39页 |
| 2.4.1 协同过滤推荐算法 | 第35-36页 |
| 2.4.2 基于内容的推荐算法 | 第36-37页 |
| 2.4.3 基于网络结构的推荐算法 | 第37-38页 |
| 2.4.4 基于概率模型的推荐算法 | 第38-39页 |
| 2.4.5 混合的推荐算法 | 第39页 |
| 2.5 推荐系统评价指标 | 第39-42页 |
| 2.5.1 准确率 | 第39-40页 |
| 2.5.2 准确率提高率 | 第40页 |
| 2.5.3 召回率 | 第40页 |
| 2.5.4 F指数 | 第40页 |
| 2.5.5 排序准确率 | 第40-41页 |
| 2.5.6 AUC指标 | 第41页 |
| 2.5.7 多样性 | 第41-42页 |
| 2.5.8 新颖性 | 第42页 |
| 2.6 本章小结 | 第42-43页 |
| 第三章 基于二部图的个性化推荐算法研究 | 第43-58页 |
| 3.1 引言 | 第43-44页 |
| 3.2 问题的提出 | 第44页 |
| 3.3 相关研究工作 | 第44-45页 |
| 3.4 二部图上的扩散推荐算法研究 | 第45-47页 |
| 3.4.1 有偏随机游走的推荐算法 | 第45-47页 |
| 3.4.2 平衡的扩散推荐算法 | 第47页 |
| 3.5 实验结果 | 第47-56页 |
| 3.5.1 数据集 | 第48页 |
| 3.5.2 有偏随机游走的实验结果 | 第48-51页 |
| 3.5.2.1 有偏随机游走的推荐性能 | 第48-50页 |
| 3.5.2.2 不同算法的实验结果比较 | 第50-51页 |
| 3.5.3 平衡的扩散推荐算法实验结果 | 第51-56页 |
| 3.5.3.1 平衡的扩散算法的推荐性能 | 第51-54页 |
| 3.5.3.2 不同算法的实验结果比较 | 第54-56页 |
| 3.6 本章小结 | 第56-58页 |
| 第四章 推荐算法的最优参数估计 | 第58-72页 |
| 4.1 引言 | 第58-59页 |
| 4.2 问题的提出 | 第59-62页 |
| 4.2.1 混合算法 | 第59-60页 |
| 4.2.2 偏向于热传导的推荐算法 | 第60页 |
| 4.2.3 加权的热传导推荐算法 | 第60-62页 |
| 4.3 相关研究工作 | 第62页 |
| 4.4 调优推荐算法的最优参数估计 | 第62-71页 |
| 4.4.1 最优参数估计方法 | 第62-63页 |
| 4.4.2 实验数据 | 第63-64页 |
| 4.4.3 实验结果 | 第64-65页 |
| 4.4.4 实验分析 | 第65-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第五章 基于社交网络的推荐算法研究 | 第72-89页 |
| 5.1 引言 | 第72-73页 |
| 5.2 问题的提出 | 第73-75页 |
| 5.3 相关研究工作 | 第75-76页 |
| 5.4 耦合社会网络上的信息推荐 | 第76-78页 |
| 5.4.1 社会相似性 | 第76-77页 |
| 5.4.2 行为偏好 | 第77页 |
| 5.4.3 混合社会相似性与行为偏好 | 第77-78页 |
| 5.5 实验与分析 | 第78-86页 |
| 5.5.1 实验数据 | 第78页 |
| 5.5.2 实验结果 | 第78-84页 |
| 5.5.3 实证分析 | 第84-86页 |
| 5.6 本章小结 | 第86-89页 |
| 第六章 耦合社会网络上重要节点挖掘与信息推荐 | 第89-106页 |
| 6.1 引言 | 第89-90页 |
| 6.2 问题的提出 | 第90-91页 |
| 6.3 相关研究工作 | 第91-95页 |
| 6.3.1 K-Shell分解法 | 第92-93页 |
| 6.3.2 HITs算法 | 第93-94页 |
| 6.3.3 PageRank算法 | 第94页 |
| 6.3.4 LeaderRank算法 | 第94-95页 |
| 6.4 耦合社会网络上的重要节点排序 | 第95-98页 |
| 6.4.1 有向社会网络上的随机游走 | 第95页 |
| 6.4.2 二部图网络上的随机游走 | 第95-96页 |
| 6.4.3 耦合社会网络上的有偏随机游走 | 第96-98页 |
| 6.5 重要节点排序与信息推荐 | 第98页 |
| 6.6 实验结果与分析 | 第98-104页 |
| 6.6.1 实验数据 | 第98-99页 |
| 6.6.2 实验结果 | 第99-104页 |
| 6.6.2.1 重要节点排序的实验结果 | 第99-101页 |
| 6.6.2.2 推荐结果 | 第101-104页 |
| 6.7 本章小结 | 第104-106页 |
| 第七章 总结与展望 | 第106-109页 |
| 7.1 全文工作总结 | 第106-107页 |
| 7.2 后续工作展望 | 第107-109页 |
| 致谢 | 第109-111页 |
| 参考文献 | 第111-124页 |
| 攻读博士学位期间取得的研究成果 | 第124-126页 |
