| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-28页 |
| ·研究背景与意义 | 第13-15页 |
| ·研究背景 | 第13-14页 |
| ·研究意义 | 第14-15页 |
| ·国内外研究现状 | 第15-24页 |
| ·国外研究现状 | 第15-19页 |
| ·国内研究现状 | 第19-22页 |
| ·研究评述 | 第22-24页 |
| ·研究内容与方法 | 第24-28页 |
| ·研究内容 | 第24-26页 |
| ·研究方法 | 第26-28页 |
| 第2章 云环境用户情景兴趣的移动商务协同过滤推荐模型 | 第28-49页 |
| ·问题提出及解决思路 | 第28-30页 |
| ·问题提出 | 第28-29页 |
| ·解决思路 | 第29-30页 |
| ·用户情景兴趣的移动商务协同过滤推荐模型 | 第30-34页 |
| ·传统协同过滤推荐方法 | 第30-32页 |
| ·移动商务用户情景兴趣描述 | 第32页 |
| ·基于情景兴趣评分矩阵的协同过滤推荐模型 | 第32-34页 |
| ·MapReduce 化的协同过滤推荐方法 | 第34-39页 |
| ·MapReduce 技术 | 第35页 |
| ·MapReduce 化的协同过滤方法 | 第35-39页 |
| ·实验验证 | 第39-47页 |
| ·实验环境 | 第39-40页 |
| ·数据集选择 | 第40-41页 |
| ·度量标准 | 第41-42页 |
| ·推荐系统可扩展性分析 | 第42-45页 |
| ·推荐结果精准性分析 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 第3章 云环境用户情景兴趣的移动商务信任推荐模型 | 第49-67页 |
| ·问题提出及解决思路 | 第49-52页 |
| ·问题提出 | 第49-50页 |
| ·解决思路 | 第50-52页 |
| ·富信任信息环境下用户情景兴趣推荐模型 | 第52-55页 |
| ·建模思路 | 第52-54页 |
| ·富信任信息环境下用户情景兴趣推荐方法 | 第54-55页 |
| ·稀疏信任信息环境下用户情景兴趣推荐模型 | 第55-61页 |
| ·建模思路 | 第56-57页 |
| ·稀疏信任信息环境下用户情景兴趣推荐方法 | 第57-61页 |
| ·并行推荐的 MapReduce 化 | 第61-62页 |
| ·用户向量的 MapReduce 化 | 第61页 |
| ·共生矩阵计算的 MapReduce 化 | 第61-62页 |
| ·矩阵相乘的 MapReduce 化 | 第62页 |
| ·产生推荐的 MapReduce 化 | 第62页 |
| ·模型验证 | 第62-66页 |
| ·数据集的选取 | 第62-63页 |
| ·度量标准 | 第63-64页 |
| ·实验结果分析 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第4章 云环境用户多情景兴趣的移动商务蚁群聚类推荐模型 | 第67-83页 |
| ·问题提出及解决思路 | 第67-70页 |
| ·问题提出 | 第67-68页 |
| ·解决思路 | 第68-70页 |
| ·多情景兴趣的蚁群聚类方法 | 第70-75页 |
| ·层次聚类与蚁群算法 | 第70-71页 |
| ·蚁群聚类方法 | 第71-74页 |
| ·算法的 MapReduce 化 | 第74-75页 |
| ·多情景兴趣的蚁群聚类推荐模型 | 第75-77页 |
| ·评分预测 | 第75-76页 |
| ·产生推荐 | 第76-77页 |
| ·模型验证 | 第77-81页 |
| ·数据集的选取 | 第77页 |
| ·蚁群聚类算法实验 | 第77-78页 |
| ·Hadoop 蚁群聚类加速性能分析 | 第78-80页 |
| ·推荐结果精准性分析 | 第80-81页 |
| ·本章小结 | 第81-83页 |
| 第5章 云环境用户情景兴趣的移动商务 QoS 偏好预测推荐模型 | 第83-101页 |
| ·问题提出及解决思路 | 第83-85页 |
| ·问题提出 | 第83-84页 |
| ·解决思路 | 第84-85页 |
| ·用户情景兴趣的 QoS 偏好矩阵 | 第85-89页 |
| ·基于位置情景的用户与服务聚类 | 第85-86页 |
| ·基于用户的 QoS 向量值计算 | 第86-87页 |
| ·基于项目的 QoS 向量值计算 | 第87页 |
| ·QoS 偏好矩阵构建 | 第87-89页 |
| ·用户情景兴趣的蚁群神经网络 QoS 预测推荐模型 | 第89-97页 |
| ·蚁群神经网络模型的引入 | 第89-92页 |
| ·蚁群神经网络模型的建立 | 第92-95页 |
| ·数据归一化处理方法 | 第95页 |
| ·MapReduce 化的权值训练方法 | 第95-96页 |
| ·服务质量偏好的最终预测 | 第96-97页 |
| ·模型验证 | 第97-100页 |
| ·数据集的选取 | 第97页 |
| ·实验结果分析 | 第97-100页 |
| ·本章小结 | 第100-101页 |
| 第6章 云环境用户情景兴趣的旅游移动商务推荐实证研究 | 第101-116页 |
| ·应用背景 | 第101-102页 |
| ·云环境用户情景兴趣的移动商务景点推荐架构 | 第102-103页 |
| ·设计思路 | 第102页 |
| ·系统主要模块 | 第102-103页 |
| ·面向景点推荐的用户情景兴趣建模 | 第103-107页 |
| ·用户情景的粒度划分 | 第103-104页 |
| ·旅客情景兴趣模型的建立 | 第104-107页 |
| ·景点推荐系统的应用实例 | 第107-115页 |
| ·实验设计思路 | 第108页 |
| ·用户——项目评分矩阵构建 | 第108-109页 |
| ·推荐结果及效果分析 | 第109-115页 |
| ·本章小结 | 第115-116页 |
| 结论 | 第116-119页 |
| 参考文献 | 第119-128页 |
| 攻读博士学位期间承担的科研任务与主要成果 | 第128-130页 |
| 致谢 | 第130-131页 |
| 作者简介 | 第131页 |
