| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 推荐系统国内外研究现状 | 第11-13页 |
| 1.3 论文研究内容 | 第13页 |
| 1.4 论文各章节安排 | 第13-15页 |
| 2 推荐系统及推荐技术简介 | 第15-26页 |
| 2.1 推荐系统简介 | 第15-16页 |
| 2.2 推荐技术简介 | 第16-25页 |
| 2.2.1 基于内容的推荐 | 第16-18页 |
| 2.2.2 协同过滤推荐算法 | 第18-19页 |
| 2.2.3 基于用户的协同过滤算法 | 第19-22页 |
| 2.2.4 基于项目的协同过滤算法 | 第22-23页 |
| 2.2.5 基于关联规则的推荐 | 第23-24页 |
| 2.2.6 混合推荐技术 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 基于社交网络信息的协同过滤推荐算法 | 第26-42页 |
| 3.1 引言 | 第26-29页 |
| 3.1.1 算法框架描述与算法模型定义 | 第26-29页 |
| 3.2 基于社交网络信息的协同过滤算法 | 第29-33页 |
| 3.2.1 基于用户标签相似度的推荐模型(KW模型) | 第29-30页 |
| 3.2.2 基于用户社交关系的相似度推荐模型(SNS模型) | 第30-31页 |
| 3.2.3 融合社交网络用户标签的协同过滤模型(UK模型) | 第31-32页 |
| 3.2.4 融合社交网络用户社交关系的协同过滤模型(US模型) | 第32页 |
| 3.2.5 融合社交网络信息的协同过滤算法(UKS模型) | 第32-33页 |
| 3.3 实验设计及分析 | 第33-34页 |
| 3.3.1 数据集 | 第33页 |
| 3.3.2 算法时间复杂度分析 | 第33-34页 |
| 3.3.3 算法评估 | 第34页 |
| 3.4 实验结果及分析 | 第34-41页 |
| 3.4.1 模型最佳TOP-N及模型参数分析 | 第35-36页 |
| 3.4.2 寻找UK,US模型中最佳参数 | 第36-37页 |
| 3.4.3 寻找UKS模型中最佳参数 | 第37-39页 |
| 3.4.4 UB,UK,US,UKS各模型精度分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 4 改进最近邻的协同过滤算法 | 第42-56页 |
| 4.1 引言 | 第42-43页 |
| 4.2 基于信息流的推荐 | 第43-45页 |
| 4.2.1 基于用户社交活动的相似度模型推荐(USa-CF模型) | 第43-44页 |
| 4.2.2 基于项目文本信息的相似度模型推荐(Item-CF模型) | 第44-45页 |
| 4.3 最近邻居集的改进 | 第45-47页 |
| 4.3.1 用户与项目的去噪最近邻 | 第45-46页 |
| 4.3.2 用户与项目的补充最近邻 | 第46-47页 |
| 4.4 改进最近邻的协同过滤算法 | 第47-50页 |
| 4.4.1 模型定义与算法过程 | 第48-50页 |
| 4.4.2 数据集 | 第50页 |
| 4.5 实验结果分析 | 第50-55页 |
| 4.5.1 实验环境 | 第50页 |
| 4.5.2 四种模型最佳TOP-N分析 | 第50-52页 |
| 4.5.3 UIJ-CF,UIB-CF,UIBJ-CF模型参数分析 | 第52-53页 |
| 4.5.4 UIJ-CF,UIB-CF,UIBJ-CF模型算法精度分析 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 研究总结 | 第56页 |
| 5.2 研究展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 攻读学位期间取得的研究成果 | 第64-65页 |
| 致谢 | 第65-67页 |
