| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 相关研究 | 第10-12页 |
| 1.2.1 传统推荐算法研究 | 第10-11页 |
| 1.2.2 基于微博的研究 | 第11-12页 |
| 1.3 本文主要研究工作 | 第12-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 相关理论和技术介绍 | 第15-29页 |
| 2.1 推荐算法概述 | 第15-16页 |
| 2.2 推荐算法 | 第16-21页 |
| 2.2.1 推荐算法基础 | 第16-17页 |
| 2.2.2 基于内容的推荐算法 | 第17-18页 |
| 2.2.3 基于邻居的推荐算法 | 第18-20页 |
| 2.2.4 基于潜在因子的推荐算法 | 第20-21页 |
| 2.3 社交网络好友推荐综述 | 第21-25页 |
| 2.3.1 社交网络综述 | 第21-22页 |
| 2.3.2 基于社交关系的好友推荐 | 第22-23页 |
| 2.3.3 基于社交内容的好友推荐 | 第23-24页 |
| 2.3.4 基于社会影响力的好友推荐 | 第24-25页 |
| 2.3.5 混合推荐 | 第25页 |
| 2.4 推荐算法评价指标 | 第25-27页 |
| 2.5 本章总结 | 第27-29页 |
| 第三章 基于0-1隐性场景的好友推荐 | 第29-37页 |
| 3.1 算法研究背景 | 第29-30页 |
| 3.2 算法推导过程 | 第30-34页 |
| 3.2.1 问题定义 | 第30-31页 |
| 3.2.2 Pairwise Rank-biased模型 | 第31-32页 |
| 3.2.3 Constrained Pairwise Rank-biased模型 | 第32-33页 |
| 3.2.4 模型学习 | 第33-34页 |
| 3.3 算法验证 | 第34-36页 |
| 3.3.1 数据来源 | 第34页 |
| 3.3.2 模型评估方式 | 第34-35页 |
| 3.3.3 实验及分析 | 第35-36页 |
| 3.4 本章总结 | 第36-37页 |
| 第四章 基于一般隐性场景的好友推荐 | 第37-49页 |
| 4.1 算法研究背景 | 第37-38页 |
| 4.2 算法设计 | 第38-44页 |
| 4.2.1 微博用户分析 | 第38-39页 |
| 4.2.2 微博用户的社交特征 | 第39-40页 |
| 4.2.3 基于社交特征的好友推荐 | 第40-44页 |
| 4.3 算法验证 | 第44-47页 |
| 4.3.1 数据来源 | 第44-46页 |
| 4.3.2 模型评估方式 | 第46页 |
| 4.3.3 实验及分析 | 第46-47页 |
| 4.4 本章总结 | 第47-49页 |
| 第五章 微博好友推荐系统的设计与实现 | 第49-59页 |
| 5.1 系统需求与整体架构 | 第49-53页 |
| 5.1.1 系统开发环境与运行平台 | 第49页 |
| 5.1.2 系统需求分析 | 第49-50页 |
| 5.1.3 系统整体架构与功能设计 | 第50-51页 |
| 5.1.4 系统数据层设计 | 第51-53页 |
| 5.2 功能模块实现 | 第53-56页 |
| 5.2.1 数据采集与处理 | 第53-54页 |
| 5.2.2 推荐算法 | 第54-56页 |
| 5.3 系统结果展示 | 第56-58页 |
| 5.4 本章总结 | 第58-59页 |
| 第六章 总结与展望 | 第59-62页 |
| 6.1 论文工作总结 | 第59-60页 |
| 6.2 未来研究展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间发表的学术论文 | 第68页 |