| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第一章 引言 | 第7-11页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 主要研究内容及结构安排 | 第10-11页 |
| 第二章 个性化推荐基本理论 | 第11-21页 |
| 2.1 个性化推荐系统概述 | 第11页 |
| 2.2 个性化推荐算法 | 第11-15页 |
| 2.2.1 协同过滤算法 | 第11-13页 |
| 2.2.2 基于内容的推荐算法 | 第13-14页 |
| 2.2.3 基于网络结构的推荐算法 | 第14-15页 |
| 2.3 个性化推荐系统评价指标 | 第15-18页 |
| 2.3.1 分类准确度 | 第16-17页 |
| 2.3.2 排序准确度 | 第17页 |
| 2.3.3 预测准确度 | 第17-18页 |
| 2.3.4 多样性 | 第18页 |
| 2.4 个性化推荐系统实验方法 | 第18-19页 |
| 2.4.1 离线实验法 | 第18-19页 |
| 2.4.2 在线实验法 | 第19页 |
| 2.5 本章小结 | 第19-21页 |
| 第三章 加权二分网络的资源扩散算法研究 | 第21-33页 |
| 3.1 问题引出 | 第21-22页 |
| 3.2 加权二分网络的资源扩散算法研究 | 第22-29页 |
| 3.2.1 基于加权二分网络的资源扩散算法 | 第22-24页 |
| 3.2.2 基于半累积思想的加权二分网络的资源扩散算法 | 第24-26页 |
| 3.2.3 基于用户评分偏见的加权二分网络的资源扩散算法 | 第26-28页 |
| 3.2.4 算法描述 | 第28-29页 |
| 3.3 实验结果与分析 | 第29-32页 |
| 3.3.1 实验数据及设置 | 第29-30页 |
| 3.3.2 评价指标 | 第30页 |
| 3.3.3 实验结果 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 微博用户推荐模型 | 第33-45页 |
| 4.1 问题引出 | 第33-34页 |
| 4.2 微博用户特征提取 | 第34-36页 |
| 4.2.1 目标用户和被推荐用户的特征提取 | 第34页 |
| 4.2.2 用户间相似性特征提取 | 第34-36页 |
| 4.2.3 用户基本特征的组合特征提取 | 第36页 |
| 4.3 正负样本不平衡问题的处理 | 第36-37页 |
| 4.4 微博用户推荐模型 | 第37-40页 |
| 4.5 实验结果分析 | 第40-44页 |
| 4.5.1 实验数据介绍 | 第40-41页 |
| 4.5.2 算法评价指标 | 第41-42页 |
| 4.5.3 实验结果与分析 | 第42-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 工作总结和展望 | 第45-47页 |
| 5.1 工作总结 | 第45-46页 |
| 5.2 工作展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 攻读学位期间的研究成果 | 第50-51页 |
| 致谢 | 第51-52页 |