| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 推荐系统研究现状 | 第9-10页 |
| 1.2.2 Web服务推荐研究现状 | 第10页 |
| 1.3 本文研究内容 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-13页 |
| 第二章 相关知识介绍 | 第13-24页 |
| 2.1 推荐系统 | 第13-21页 |
| 2.1.1 基于协同过滤的推荐 | 第13-17页 |
| 2.1.2 基于内容的推荐 | 第17-18页 |
| 2.1.3 基于关联规则的推荐 | 第18-19页 |
| 2.1.4 混合推荐 | 第19-20页 |
| 2.1.5 基于知识的推荐 | 第20-21页 |
| 2.2 Web服务技术 | 第21-23页 |
| 2.2.1 Web服务的定义 | 第21页 |
| 2.2.2 Web服务的体系结构 | 第21-22页 |
| 2.2.3 Web服务的服务质量 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 基于因子分解机的上下文感知Web服务推荐 | 第24-41页 |
| 3.1 因子分解机 | 第24-33页 |
| 3.1.1 因子分解机模型 | 第24-26页 |
| 3.1.2 因子分解机的学习算法 | 第26-32页 |
| 3.1.3 因子分解机模型的使用 | 第32-33页 |
| 3.2 Kmeans聚类算法 | 第33-34页 |
| 3.3 基于因子分解机的上下文感知Web服务推荐框架 | 第34页 |
| 3.4 实验数据集 | 第34-35页 |
| 3.5 问题的定义 | 第35页 |
| 3.6 特征的选取及预测模型的构造 | 第35-37页 |
| 3.7 实验与分析 | 第37-40页 |
| 3.7.1 评价指标 | 第37页 |
| 3.7.2 实验环境 | 第37页 |
| 3.7.3 实验结果 | 第37-39页 |
| 3.7.4 超参数k对实验结果的影响 | 第39-40页 |
| 3.8 本章小结 | 第40-41页 |
| 第四章 基于用户地理位置和相似度的Web服务推荐 | 第41-54页 |
| 4.1 矩阵分解算法 | 第41-43页 |
| 4.2 基于用户地理位置和相似度的Web服务推荐框架 | 第43-44页 |
| 4.3 基于用户地理位置和相似度的Web服务推荐 | 第44-47页 |
| 4.3.1 问题定义 | 第44页 |
| 4.3.2 构建第一个最近邻居集合 | 第44-45页 |
| 4.3.3 构建第二个最近邻居集合 | 第45-46页 |
| 4.3.4 添加正则项 | 第46-47页 |
| 4.4 实验结果与分析 | 第47-53页 |
| 4.4.1 实验数据集 | 第47页 |
| 4.4.2 评价标准 | 第47-48页 |
| 4.4.3 实验环境 | 第48页 |
| 4.4.4 实验对比 | 第48-50页 |
| 4.4.5 参数k对实验结果的影响 | 第50页 |
| 4.4.6 参数m对实验结果的影响 | 第50-51页 |
| 4.4.7 维数f对实验结果的影响 | 第51页 |
| 4.4.8 正则化参数λ_2对实验结果的影响 | 第51-52页 |
| 4.4.9 正则化参数λ_3对实验结果的影响 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 工作总结 | 第54页 |
| 5.2 工作展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |